Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Algorytmy klasyfikacji tekstu są podstawą różnych systemów, które przetwarzają dane tekstowe na dużą skalę. Oprogramowanie do obsługi e-maili wykorzystuje klasyfikację tekstu, aby określić, czy poczta przychodząca jest wysyłana do skrzynki odbiorczej czy filtrowana do folderu spamu. Fora dyskusyjne używają klasyfikacji tekstu do określania, czy komentarze powinny zostać oznaczone jako nieodpowiednie.
Są to 2 przykłady klasyfikacji tematów: kategoryzowanie dokumentu tekstowego do jednego z gotowych zestawów tematów. W wielu kwestiach związanych z tematem ta klasyfikacja opiera się głównie na słowach kluczowych w tekście.
Rysunek 1. Klasyfikacja tematów służy do oznaczania przychodzących e-maili ze spamem, które są odfiltrowywane do folderu spamu.
Inną typową klasyfikacją tekstu jest analiza nastawienia, której celem jest określenie biegłości w treści tekstu: typ opinii, którą wyraża. Może to mieć formę binarnej oceny pozytywnej lub negatywnej bądź bardziej szczegółowego zestawu opcji, takich jak liczba gwiazdek od 1 do 5. Przykładem analizy może być analiza postów na Twitterze w celu określenia, czy użytkownikowi podoba się film „Czarna pantera” lub reakcja opinii publicznej na temat nowej marki butów Nike na podstawie opinii Walmart.
W tym przewodniku znajdziesz sprawdzone metody dotyczące systemów uczących się służące do rozwiązywania problemów z klasyfikacją tekstu. Dowiesz się, jak:
Wysoki, kompleksowy przepływ pracy do rozwiązywania problemów z klasyfikacją tekstu za pomocą systemów uczących się
Jak wybrać odpowiedni model problemu z klasyfikacją tekstu
Jak wdrożyć wybrany model za pomocą TensorFlow
Przepływ pracy klasyfikacji tekstu
Oto ogólny przegląd przepływu pracy używany do rozwiązywania problemów z systemami uczącymi się:
[[["Łatwo zrozumieć","easyToUnderstand","thumb-up"],["Rozwiązało to mój problem","solvedMyProblem","thumb-up"],["Inne","otherUp","thumb-up"]],[["Brak potrzebnych mi informacji","missingTheInformationINeed","thumb-down"],["Zbyt skomplikowane / zbyt wiele czynności do wykonania","tooComplicatedTooManySteps","thumb-down"],["Nieaktualne treści","outOfDate","thumb-down"],["Problem z tłumaczeniem","translationIssue","thumb-down"],["Problem z przykładami/kodem","samplesCodeIssue","thumb-down"],["Inne","otherDown","thumb-down"]],["Ostatnia aktualizacja: 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."]]
