Kom igångKom igång gratis

Hem
Kurser
Sentimentanalys i Python

TF-IDF: Fler sätt att omvandla text

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Den här övningen är en del av kursen

Sentimentanalys i Python

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Har du någonsin läst recensioner eller betyg för en produkt eller tjänst innan du köpte den? Då har du med stor sannolikhet redan stött på sentimentanalys. I det här kapitlet lär du dig den grundläggande strukturen hos ett sentimentanalysprolem och börjar utforska sentimentet i filmrecensioner.

Exercise 1: Välkommen!Exercise 2: Delarna i ett sentimentanalyssystem Exercise 3: Hur många positiva respektive negativa recensioner finns det?Exercise 4: Längsta och kortaste recensioner Exercise 5: Typer av och metoder för sentimentanalys Exercise 6: Identifiera sentimentet i En berättelse om två städer Exercise 7: Jämför sentimentet i två strängar Exercise 8: Vad är sentimentet i en filmrecension?Exercise 9: Låt oss bygga ett ordmoln!Exercise 10: Ditt första ordmoln Exercise 11: Vilka ord finns i ordmolnet?Exercise 12: Ordmoln för filmrecensioner

Tänk dig att du jobbar på ett företag som säljer ett brett sortiment av produkter. Du vill veta vilka produkter som säljer bäst – och framför allt varför. Vi tar det första steget mot att förstå produktrecensioner med hjälp av en datamängd med Amazon-recensioner. För det ändamålet omvandlar vi text till numerisk form och hanterar några av de utmaningar som uppstår längs vägen.

Exercise 1: Bag-of-words Exercise 2: Vilket påstående om BOW stämmer?Exercise 3: Din första BOW Exercise 4: BOW med produktrecensioner Exercise 5: Mer detaljerat med n-gram Exercise 6: Ange tokensekvensens längd med BOW Exercise 7: Ordförrådets storlek för filmrecensioner Exercise 8: BOW med n-gram och vokabulärstorlek Exercise 9: Bygg nya särdrag från text Exercise 10: Tokenisera en sträng från GoT Exercise 11: Ordtoken från Avengers Exercise 12: Ett särdrag för recensionslängd Exercise 13: Kan du gissa språket?Exercise 14: Identifiera språket i en sträng Exercise 15: Identifiera språket i en lista med strängar Exercise 16: Språkidentifiering av produktrecensioner

Det här kapitlet fortsätter arbetet med att förstå produktrecensioner. Vi går igenom ytterligare utmaningar, särskilt när man arbetar med sentimentanalysdata från sociala medier som Twitter. Vi tittar också på fler sätt att hämta numeriska särdrag från text.

Exercise 1: Stoppord Exercise 2: Ordmoln av tweets Exercise 3: Flygbolagssentiment med stoppord Exercise 4: Flera textkolumner Exercise 5: Fånga ett tokenmönster Exercise 6: Ange tokenmönstret Exercise 7: Strängoperatorer med Twitter-data Exercise 8: Fler strängoperatorer och Twitter Exercise 9: Stemming och lemmatisering Exercise 10: Stammar och lemman från GoT Exercise 11: Stamma spanska recensioner Exercise 12: Stammar från tweets Exercise 13: TF-IDF: Fler sätt att omvandla text

Aktuell övning

Exercise 14: Din första TfIdf Exercise 15: TfIdf på Twitter-data om flygbolagens sentiment Exercise 16: Tfidf och BOW på samma data

Vi använder maskininlärning för att förutsäga sentimentet i en recension utifrån de ord som används. Vi tillämpar logistisk regression och utvärderar modellens prestanda på flera olika sätt. Det här är riktigt solida första modeller!

Exercise 1: Låt oss förutsäga sentimentet!Exercise 2: Logistisk regression på filmrecensioner Exercise 3: Logistisk regression med Twitter-data Exercise 4: Förutsade vi verkligen sentimentet korrekt?Exercise 5: Bygg och utvärdera en modell: filmrecensioner Exercise 6: Prestandamätvärden för Twitter-data Exercise 7: Bygg och utvärdera en modell: produktrecensioner Exercise 8: Logistisk regression: en ny titt Exercise 9: Förutsäg sannolikheter för filmrecensioner Exercise 10: Produktrecensioner med regularisering Exercise 11: Regularisering av modeller med Twitter-data Exercise 12: Allt hänger ihop Exercise 13: Steg 1: Ordmoln och skapande av särdrag Exercise 14: Steg 2: Bygg en vektoriserare Exercise 15: Steg 3: Bygg en klassificerare Exercise 16: Sammanfattning