NLP之TEA之NB/LoR：基于Rotten Tomatoes影评数据集利用NB(朴素贝叶斯)、LoR(逻辑斯蒂回归)算法(+TfidfVectorizer)实现文本情感分类—五分类预测_五分类文本情感数据集

NLP之TEA之NB/LoR：基于Rotten Tomatoes影评数据集利用NB(朴素贝叶斯)、LoR(逻辑斯蒂回归)算法(+TfidfVectorizer)实现文本情感分类—五分类预测

目录

相关文章

NLP之TEA之NB/LoR：基于Rotten Tomatoes影评数据集利用NB(朴素贝叶斯)、LoR(逻辑斯蒂回归)算法(+TfidfVectorizer)实现文本情感分类—五分类预测

NLP之TEA之NB/LoR：基于Rotten Tomatoes影评数据集利用NB(朴素贝叶斯)、LoR(逻辑斯蒂回归)算法(+CountVectorizer)进行文本情感分类—五分类预测

基于Rotten Tomatoes影评数据集利用NB(朴素贝叶斯)、LoR(逻辑斯蒂回归)算法(+TfidfVectorizer)实现文本情感分类—五分类预测

输出结果

设计思路

核心代码

---

相关文章

NLP之TEA之NB/LoR：基于Rotten Tomatoes影评数据集利用NB(朴素贝叶斯)、LoR(逻辑斯蒂回归)算法(+TfidfVectorizer)实现文本情感分类—五分类预测

https://yunyaniu.blog.csdn.net/article/details/87707184

NLP之TEA之NB/LoR：基于Rotten Tomatoes影评数据集利用NB(朴素贝叶斯)、LoR(逻辑斯蒂回归)算法(+CountVectorizer)进行文本情感分类—五分类预测

https://yunyaniu.blog.csdn.net/article/details/87696356

基于Rotten Tomatoes影评数据集利用NB(朴素贝叶斯)、LoR(逻辑斯蒂回归)算法(+TfidfVectorizer)实现文本情感分类—五分类预测

输出结果

数据集详见：Dataset之Rotten Tomatoes：Rotten Tomatoes影评数据集简介、下载、使用方法之详细攻略

设计思路

核心代码

tf = TfidfVectorizer(
    analyzer='word',
    ngram_range=(1,4),
#     stop_words=stop_words,
    max_features=150000
)
 
x_train,x_test,y_train,y_test = train_test_split(x,y,random_state=1234)
x_train = tf.transform(x_train)
x_test = tf.transform(x_test)
 
 
classifier = MultinomialNB()
classifier.fit(x_train,y_train)
 
lg = LogisticRegression(C=4, dual=True)
lg.fit(x_train,y_train)