亚马逊多领域文本分类数据.zip

NULL博文链接：https://luchi007.iteye.com/blog/2267674

本报告包括完整的文本分类处理过程，包括24万搜狗预料库的处理、jieba分词、停用词无关词处理、词袋模型的构建（CHI值检验用于特征筛选、tfidf作为特征向量值）。并用自编朴素贝叶斯以及sklear

文本分类语料库，包含医药、计算机、环境、经济、交通、艺术、体育等10个学科领域

文本分类特征选择方法

文本分类python代码，google的多头attention，实现效果很好

文本分类用电脑对文本集(或其他实体或物件)按照一定的分类体系或标准进行自动分类标记。属于一种基于分类体系的自动分类，是朴素贝叶斯分类方法。

编译通过的代码，且包含文本分词代码

文本分类模型处理流程 1.样本整理 2.数据预处理 直接按照字符处理可以使用keras的api Tokenizer(char_level=True) 建立字符数字索引 text_to_sequence

传统的文本分类方法大多数使用单一的分类器，而不同的分类器对分类任务的侧重点不同，就使得单一分类方法有一定的局限性，同时每个特征提取方法对特征词的考虑角度不同。针对以上问题，提出了多类型分类器融合的文本

aclIMDB_v1：大型电影评论数据集（来自斯坦福大学），其中包含50,000个电影评论（50％为负，50％为正）。该集合被划分为训练和验证数据集（每个数据集有25000个电影评论，具有相同数量的正