使用我自己的语料库在Python NLTK中进行类别分类

Question

我是NTLK / Python的初学者，并且使用CategorizedPlaintextCorpusReader设法加载了自己的语料库，但是我如何实际训练和使用数据进行文本分类呢？

>>> from nltk.corpus.reader import CategorizedPlaintextCorpusReader
>>> reader = CategorizedPlaintextCorpusReader('/ebs/category', r'.*\.txt', cat_pattern=r'(.*)\.txt')
>>> len(reader.categories())
234

Answer 1

假设您想要一个带有单词功能的朴素贝叶斯分类器：

from nltk import FreqDist
from nltk.classify.naivebayes import NaiveBayesClassifier

def make_training_data(rdr):
    for c in rdr.categories():
        for f in rdr.fileids(c):
            yield FreqDist(rdr.words(fileids=[f])), c

clf = NaiveBayesClassifier.train(list(make_training_data(reader)))

产生的clf的classify方法可用于任何FreqDist单词。

（但请注意：从cap_pattern ，看来您的语料库中有每个文件的样本和一个类别。请检查这是否真的是您想要的。）