n-gram’leri değiştirme

Şimdiye kadar yalnızca tek kelimeler kullanarak TDM ve DTM oluşturduk. Varsayılan ayar unigram üretmektir, ancak iki ya da daha fazla kelime içeren token’lara da odaklanabilirsin. Bu, ek içgörüler sağlayan faydalı ifadeleri çıkarmaya ya da bir machine learning algoritması için daha iyi öngörü niteliği taşıyan öznitelikler elde etmene yardımcı olabilir.

Aşağıdaki fonksiyon RWeka paketini kullanarak trigram (üç kelimelik) token’lar oluşturur: min ve max her ikisi de 3 olarak ayarlanmıştır.

tokenizer <- function(x) {
  NGramTokenizer(x, Weka_control(min = 3, max = 3))
}

Ardından, özelleştirilmiş tokenizer() fonksiyonu ek bir parametre olarak TermDocumentMatrix veya DocumentTermMatrix fonksiyonlarına aktarılabilir:

tdm <- TermDocumentMatrix(
  corpus, 
  control = list(tokenize = tokenizer)
)

Bu egzersiz, kursun bir parçasıdır

R ile Bag-of-Words ile Metin Madenciliği

Kursa Göz Atın

Egzersiz talimatları

Bir corpus, chardonnay tweet’leri kullanılarak daha önce olduğu gibi ön işleme tabi tutuldu. Ortaya çıkan text_corp nesnesi çalışma alanında mevcut.

Yukarıdakine benzer şekilde 2 kelimelik bigramlar oluşturan bir tokenizer fonksiyonu yaz.
tokenizer() fonksiyonunu kullanmadan text_corp üzerinde DocumentTermMatrix() çağırarak unigram_dtm oluştur.
Az önce yazdığın tokenizer() fonksiyonunu kullanarak text_corp üzerinde DocumentTermMatrix() ile bigram_dtm oluştur.
unigram_dtm ve bigram_dtm’yi incele. Hangisinde daha fazla terim var?

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Make tokenizer function 
___ <- function(x) {
  ___(___, ___(___, ___))
}

# Create unigram_dtm
___ <- ___(___)

# Create bigram_dtm
___ <- ___(
  ___,
  ___
)

# Print unigram_dtm
___

# Print bigram_dtm
___

Kodu Düzenle ve Çalıştır