Koleksiyonlar ile düzeninizi koruyun İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Metin sınıflandırma algoritmaları, metin verilerini geniş ölçekte işleyen çeşitli yazılım sistemlerinin temelini oluşturur. E-posta yazılımı, gelen postaların gelen kutusuna gönderilip gönderilmediğini veya spam klasörüne filtrelenip filtrelenmediğini belirlemek için metin sınıflandırması kullanır. Tartışma forumları, yorumların uygunsuz olarak işaretlenip işaretlenmeyeceğini belirlemek için metin sınıflandırmasını kullanır.
Bunlar, bir metin dokümanını önceden tanımlanmış konu kümesinden birinde kategorize eden iki konu sınıflandırması örneğidir. Birçok konu sınıflandırma sorununda bu sınıflandırma öncelikle metindeki anahtar kelimelere göre yapılır.
Şekil 1: Gelen spam e-postaları işaretlemek için kullanılan konu sınıflandırması bir spam klasörüne filtrelenir.
Yaygın olarak kullanılan bir diğer metin sınıflandırması türü de duygu analizidir. Amacı, metin içeriğinin polaritesini belirlemek olan, ifade ettiği görüş türünü ifade etmektir. Bu, ikili program beğenme/beğenme puanı veya 1'den 5'e kadar olan bir yıldız puanı gibi daha ayrıntılı bir seçenek grubu şeklinde olabilir. Duygu analizine örnek olarak, insanların Black Panther filmini beğenip beğenmediğini belirlemek için Twitter yayınlarının analiz edilmesi veya Walmart yorumlarından yeni bir Nike ayakkabı markasının halkın genel fikrinin açıklanması verilebilir.
Bu kılavuzda, metin sınıflandırma sorunlarını çözmeye yönelik en iyi makine öğrenimi en iyi uygulamaları açıklanmaktadır. Neler öğreneceksiniz?
Makine öğreniminden yararlanarak metin sınıflandırma sorunlarını çözmeyi sağlayan üst düzey, uçtan uca iş akışı
Metin sınıflandırma sorununuz için doğru modeli seçme
Tercih ettiğiniz modeli TensorFlow kullanarak uygulama
Metin Sınıflandırma İş Akışı
Aşağıda makine öğrenimi sorunlarını çözmek için kullanılan iş akışına genel bir bakış verilmiştir:
[null,null,["Son güncelleme tarihi: 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."]]
