如何为 scikit 和 NLTK 使用不同的数据集？

Posted 2023-03-12

【中文标题】如何为 scikit 和 NLTK 使用不同的数据集？

【英文标题】：How to use different dataset for scikit and NLTK?

【发布时间】：2015-05-19 03:52:06

【问题描述】：

我正在尝试为我拥有的原始数据实现 Scikit 和 NLTK 的内置朴素贝叶斯分类器。我拥有的数据是设置制表符分隔的行，每个行都有一些标签、段落和一些其他属性。 我有兴趣对段落进行分类。 我需要将此数据转换为适合 Scikit/NLTK 内置分类器的格式。 我想为所有段落实现高斯、伯努利和多项朴素贝叶斯。

问题 1： 对于 scikit，给定的 example 导入 iris 数据。我检查了虹膜数据，它具有数据集中的预先计算值。如何将我的数据转换为这种格式并直接调用高斯函数？有没有这样做的标准方法？ 问题2： 对于 NLTK， NaiveBayesClassifier.classify 函数应该输入什么？是布尔值的字典吗？如何使它成为多项式或高斯？

【问题讨论】：

在 scikit-learn 中有处理文本数据的教程：scikit-learn.org/dev/tutorial/text_analytics/…

我尝试安装 scikit 但找不到教程。我的python版本是2.7..需要更高版本吗？

教程在网站上。根据您安装 scikit-learn 的方式，可能不包括用户指南和教程。但他们在网站上。我不确定您还在寻找什么。

【参考方案1】：

@问题2：

nltk.NaiveBayesClassifier.classify 需要一个所谓的“功能集”。特征集是一个字典，特征名称作为键，特征值作为值，例如'word1':True, 'word2':True, 'word3':False。 Nltks 的朴素贝叶斯分类器不能用作多项式方法。但是，您可以安装 scikit learn 并使用 nltk.classify.scikitlearn 包装器模块来部署 scikit 的多项分类器。