分類變量特征提取

分類數(shù)據(jù)的獨熱編碼方法,分類變量特征提取(One-of-K or One-Hot Encoding):
通過二進制數(shù)來表示每個解釋變量的特征

from sklearn.feature_extraction import DictVectorizer onhot_encoder = DictVectorizer() instances=[{'city':'New York'},{'city':'San Francisco'},{'city':'Chapel Hill'}] print (onhot_encoder.fit_transform(instances).toarray())[[0. 1. 0.][0. 0. 1.][1. 0. 0.]]

文字特征提取-詞庫模型

文字模型化最常用方法，可以看成是獨熱編碼的一種擴展，它為每個單詞設值一個特征值。依據(jù)是用類似單詞的文章意思也差不多。可以通過有限的編碼信息實現(xiàn)有效的文檔分類和檢索。

CountVectorizer 類會將文檔全部轉換成小寫，然后將文檔詞塊化(tokenize).文檔詞塊化是把句子分割成詞塊（token）或有意義的字母序列的過程。詞塊大多是單詞，但是他們也可能是一些短語，如標點符號和詞綴。

CountVectorizer類通過正則表達式用空格分割句子，然后抽取長度大于等于2的字母序列。

from sklearn.feature_extraction.text import CountVectorizer corpus = ['UNC played Duke in basketball','Duke lost the basketball game',

總結

以上是生活随笔為你收集整理的机器学习这四个东西，你知道吗？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。