編碼獨特的功能

Question

我有一個excel工作表2列：

1. 詞2.語言

只有一個在各行字和它直接連接到語言

如何將這些單詞和語言格式化爲機器學習可接受的數據？

我正在使用scikit-learn並且想到了一大堆單詞，但在我看來，每個單詞的索引都不能傳達每個單詞的特徵。

Answer 1

從你的問題，我想你是問如何從單詞中提取特徵來訓練一個分類器來確定單詞的語言。我認爲單詞的長度和這兩個字符中的字符bigrams是很好的功能。看看this post提取字符兩字。另外，也許適合使用NLTK分類器。例如，

from nltk.classify import NaiveBayesClassifier 
nb = NaiveBayesClassifier.train(train_set) 

其中train_set的形式應爲[(features, label)]，其中features是形式{feature_name: feature_value}的dict的元組列表。