Textklassifizierung

Finden Sie ein optimales Modell mit den verfügbaren Modellalgorithmen. Die Auto-Modus -Auswahl nutzt die Multinomial-Naïve-Bayes- und Linear-SVC-Algorithmen. Bei jedem Modell wird ein kleiner Bereich der entsprechenden Parameter durchsucht. Im Auto-Modus wird dann die optimale Kombination aus Algorithmus und Hyperparametern ausgegeben. Zur Feinabstimmung Ihres Modells wählen Sie eine für den Algorithmus spezifische Dropdown-Liste.

Der Algorithmus Multinomiales Naïve Bayes ist ein probabilistisches Klassifizierungsmodell. Das Naïve Bayes-Klassifikator-Tool erstellt ein Modell, das die Wahrscheinlichkeit vorhersagt, dass ein Textteil zu einem Label gehört. Um Ihr Modell zu erstellen, verwenden Sie Trainingsdaten in Form von Textzeilen und deren zugehörigen Labels (auch als Klassen oder Ziel bezeichnet). Der Algorithmus geht davon aus, dass alle Features voneinander unabhängig sind. Die Vorteile des Naïve Bayes-Klassifikator-Tools sind, dass es skalierbar ist und in der Regel mit einem kleinen Trainingsset gut funktioniert.

Alpha ist ein additiver Glättungsparameter, den Sie zur Steuerung der Modellkomplexität verwenden können. Ein Wert von 0 bedeutet keine Glättung. Ein Wert größer als 0 kann Ihre Ergebnisse verbessern, wenn ein Wort aus den Testdaten nicht in den Trainingsdaten vorhanden ist.

Das Tool sucht anhand eines von Ihnen definierten Bereichs von Alpha-Werten nach dem besten Modell. Um diese Alpha-Werte zu erstellen, geben Sie den zu suchenden Bereich ( von – bis ) und die  Anzahl der Schritte innerhalb dieses Bereichs ein.

Die Kreuzvalidierung  ist ein Verfahren zur Neuabtastung, bei dem verschiedene Abschnitte (oder Folds) Ihrer Daten für Modelltraining und -validierung verwendet werden. Wählen Sie, wie viele Folds während der Kreuzvalidierung verwendet werden sollen.

Die Konvertierung von Rohtext in numerische Daten ist ein erforderlicher Schritt für die Textklassifizierung. Mit diesem Vektorisierungsschritt kann das Modell Ihre Daten interpretieren. Für die Textklassifizierung verwenden wir die Term Frequency-Inverse Document Frequency (TF-IDF) Vektorisierungsmethode. Dies sind die TF-IDF-Einstellungen:

Die lineare SVC gehört zur Klasse der Support Vector Machine-Modelle. Sie können diesen Algorithmus auf Daten mit zwei (binär) oder mehr Klassen anwenden. Nach der Anpassung an Ihre Daten findet das Modell die beste Hyperebene, die Ihre Daten in die korrekten Kategorien aufteilt. Lineare SVC ist effektiv in großen dimensionalen Bereichen wie Text, kann jedoch bei Anwendung auf ein großes Trainings-Dataset langsam sein.

Wählen Sie bei Abzügen verwendete Norm.aus. Beachten Sie, dass die  L2 -Norm (auch bekannt als die  euklidische Norm ) der in der Support Vector-Klassifizierung verwendete Standard ist. Der L1-Standard ergibt wenige Koeffizientenvektoren.

Wählen Sie eine Verlustfunktion. „Hinge“ ist die Standardauswahl für diesen Algorithmus.

C ist ein Regularisierungsparameter. Dieser muss größer als 0 sein. Große Werte von „C“ entsprechen einer geringeren Regularisierung und einem Modell, das eine enge Anpassung an die Trainingsdaten versucht. Im Gegensatz dazu entsprechen kleine C-Werte einer erhöhten Regularisierung.

Das Tool sucht nach dem besten Modell auf der Grundlage eines von Ihnen festgelegten Bereichs von C-Werten. Um diese C-Werte zu erstellen, geben Sie den zu durchsuchenden  Protokollbereich  ( von – bis ) und die  Anzahl der Schritte  innerhalb dieses Bereichs ein.

Die Kreuzvalidierung  ist ein Verfahren zur Neuabtastung, bei dem verschiedene Abschnitte (oder Folds) Ihrer Daten für Modelltraining und -validierung verwendet werden. Wählen Sie, wie viele Folds während der Kreuzvalidierung verwendet werden sollen.

Die Konvertierung von Rohtext in numerische Daten ist ein erforderlicher Schritt für die Textklassifizierung. Mit diesem Vektorisierungsschritt kann das Modell Ihre Daten interpretieren. Für die Textklassifizierung verwenden wir die Term Frequency-Inverse Document Frequency (TF-IDF) Vektorisierungsmethode. Dies sind die TF-IDF-Einstellungen: