我想对新闻数据集进行文本分类。我有很多功能,例如 subject
、keyword
、summary
等...所有这些功能都存储在一个结构元胞数组中,每个结构如下所示:
label: 'misc.forsale'
subj: ' Motorcycle wanted.'
keyword: [1x190 char]
reference: []
organization: ' Worcester Polytechnic Institute'
from: ' kedz@bigwpi.WPI.EDU (John Kedziora)'
summary: []
lines: ' 11'
vocab: [4x2 double]
我想用 class = recognize(test, train, target, 'diaglinear'); 对它们进行分类
但是这些函数只接收数组作为输入,不接受单元格或结构体。
我无法将此元胞数组转换为一个多维数组,因为特征数量各不相同(例如,一个主题有两个单词,另一个主题有三个单词)。
我能做什么?
最佳答案
首先进行一些特征提取。例如,对字符串进行标记,然后使用 TF-IDF。
您可以将 key 包含在 token 中。这是信息检索中的常见做法。有关示例,请参阅 Xapian 手册。
通常,您会进行一些词干提取,例如示例 -> example
。现在,只需添加一个前缀即可根据单词的出现情况来区分它们。例如。当主题包含 example
时,使用 Sexampl
;当主题包含 example
时,使用 Kexampl
,当它是关键字时。
然后你就有了一个到处都在使用的“词袋”表示形式。他们甚至这样做是为了挖掘图像,这被称为“视觉词”。这些也不是英语单词。
关于matlab - matlab中元胞数组的分类,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/10868282/