Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.
Gli algoritmi di classificazione del testo sono il nucleo di vari sistemi software che elaborano i dati di testo su larga scala. Il software email utilizza la classificazione del testo per determinare se la posta in arrivo viene inviata alla Posta in arrivo o filtrata nella cartella Spam. I forum di discussione utilizzano la classificazione del testo per determinare se i commenti devono essere contrassegnati come inappropriati.
Questi sono due esempi di classificazione degli argomenti, che classificano un documento di testo in uno di un insieme predefinito di argomenti. In molti problemi di classificazione degli argomenti, questa classificazione è basata principalmente sulle parole chiave nel testo.
Figura 1: la classificazione degli argomenti viene utilizzata per segnalare le email di spam in arrivo, che vengono filtrate in una cartella Spam.
Un altro tipo comune di classificazione del testo è l'analisi del sentiment, il cui obiettivo è identificare la polarità dei contenuti testuali: il tipo di opinione espresso. Questo può assumere una forma binaria di Mi piace/Non mi piace o un maggior numero di opzioni, come una valutazione a stelle da 1 a 5. Alcuni esempi di analisi del sentiment sono l'analisi dei post di Twitter per determinare se le persone hanno apprezzato il film Black Panther o l'estrapolazione dell'opinione del grande pubblico sulle nuove scarpe di Nike provenienti dalle recensioni di Walmart.
Questa guida illustra alcune importanti best practice per il machine learning per risolvere problemi di classificazione del testo. Ecco cosa imparerai:
Il flusso di lavoro end-to-end ad alto livello per risolvere i problemi di classificazione del testo utilizzando il machine learning
Come scegliere il modello giusto per il tuo problema di classificazione del testo
Come implementare il modello preferito con TensorFlow
Flusso di lavoro di classificazione del testo
Ecco una panoramica generale del flusso di lavoro utilizzato per risolvere i problemi di machine learning:
[null,null,["Ultimo aggiornamento 2022-09-27 UTC."],[[["\u003cp\u003eText classification algorithms are widely used to categorize text data, with applications like spam filtering and content moderation.\u003c/p\u003e\n"],["\u003cp\u003eTopic classification and sentiment analysis are two common types of text classification, focusing on categorizing text into predefined topics and identifying the sentiment expressed, respectively.\u003c/p\u003e\n"],["\u003cp\u003eThis guide provides a comprehensive workflow for solving text classification problems using machine learning, including data gathering, exploration, preparation, model building, training, evaluation, hyperparameter tuning, and deployment.\u003c/p\u003e\n"],["\u003cp\u003eChoosing the right machine learning model is crucial for effective text classification and is discussed in detail within the guide.\u003c/p\u003e\n"],["\u003cp\u003eTensorFlow is used to implement the chosen model for practical application in text classification tasks.\u003c/p\u003e\n"]]],[],null,["Text classification algorithms are at the heart of a variety of software\nsystems that process text data at scale. Email software uses text classification\nto determine whether incoming mail is sent to the inbox or filtered into the\nspam folder. Discussion forums use text classification to determine whether\ncomments should be flagged as inappropriate.\n\nThese are two examples of topic classification, categorizing a text document\ninto one of a predefined set of topics. In many topic classification problems,\nthis categorization is based primarily on keywords in the text.\n\n**Figure 1: Topic classification is used to flag incoming spam emails, which\nare filtered into a spam folder.**\n\nAnother common type of text classification is ***sentiment analysis***, whose\ngoal is to identify the polarity of text content: the type of opinion it\nexpresses. This can take the form of a binary like/dislike rating, or a more\ngranular set of options, such as a star rating from 1 to 5. Examples of\nsentiment analysis include analyzing Twitter posts to determine if people\nliked the Black Panther movie, or extrapolating the general public's opinion\nof a new brand of Nike shoes from Walmart reviews.\n\nThis guide will teach you some key machine learning best practices for solving\ntext classification problems. Here's what you'll learn:\n\n- The high-level, end-to-end workflow for solving text classification problems using machine learning\n- How to choose the right model for your text classification problem\n- How to implement your model of choice using TensorFlow\n\nText Classification Workflow\n\nHere's a high-level overview of the workflow used to solve machine learning problems:\n\n- [Step 1: Gather Data](/machine-learning/guides/text-classification/step-1)\n- [Step 2: Explore Your Data](/machine-learning/guides/text-classification/step-2)\n- *[Step 2.5: Choose a Model\\*](/machine-learning/guides/text-classification/step-2-5)*\n- [Step 3: Prepare Your Data](/machine-learning/guides/text-classification/step-3)\n- [Step 4: Build, Train, and Evaluate Your Model](/machine-learning/guides/text-classification/step-4)\n- [Step 5: Tune Hyperparameters](/machine-learning/guides/text-classification/step-5)\n- [Step 6: Deploy Your Model](/machine-learning/guides/text-classification/step-6)\n\n**Figure 2: Workflow for solving machine learning problems**\n| \"Choose a model\" is not a formal step of the traditional machine learning workflow; however, selecting an appropriate model for your problem is a critical task that clarifies and simplifies the work in the steps that follow.\n\nThe following sections explain each step in detail, and how to implement them for text data."]]
