Estou trabalhando em um problema de classificação de texto usando a Floresta aleatória como classificadores e uma abordagem de palavras-chave. Estou usando a implementação básica do Random Forests (o presente no scikit), que cria uma condição binária em uma única variável em cada divisão. Diante...
Estou tentando usar o pacote tm para converter um vetor de seqüências de texto em um elemento corpus. Meu código se parece com isso Corpus(d1$Yes) onde d1$Yesé um fator com 124 níveis, cada um contendo uma sequência de texto. Por exemplo, d1$Yes[246] = "So we can get the boat out!" Estou...
Eu tenho um grande conjunto de dados e uma semelhança de cosseno entre eles. Eu gostaria de agrupá-los usando a semelhança de cosseno que reúne objetos semelhantes sem precisar especificar antecipadamente o número de clusters que eu espero. Eu li a documentação do sklearn do DBSCAN e da Affinity...
Eu tenho um conjunto de dados como este: postID Sentence drugYesOrNo 1 He went out with his friends 2 He behaved nicely while talking with me 3 He stopped using drugs after a while 1 4 He did not meet any friend during last week 1 He slowly cut usage of drugs 1 2 He smiled like he is good 3 He...
Eu tenho um grande conjunto de dados de texto em cluster. Cada cluster é representado por um centróide dos textos vetorizados que pertencem a ele, o número de textos, a data de criação e outros parâmetros. Não consigo plotar os agrupamentos em um espaço n-dimensional. Quais opções eu...
Quero comparar dois corpora (duas coleções diferentes de textos) usando a Modelagem de Tópicos. Treinei o modelo separadamente nas duas coleções e correspondi manualmente a tópicos semelhantes com base em suas palavras frequentes. Fiquei me perguntando se existe uma maneira sistemática de comparar...