Usando mi propio corpus para la clasificación de categorías en Python NLTK

Question

Soy un principiante NTLK/Python y logré cargar mi propio corpus usando categorizedPlaintextCorpusReader, pero ¿cómo capacito y uso los datos para la clasificación del texto?

>>> from nltk.corpus.reader import CategorizedPlaintextCorpusReader
>>> reader = CategorizedPlaintextCorpusReader('/ebs/category', r'.*\.txt', cat_pattern=r'(.*)\.txt')
>>> len(reader.categories())
234

Answer 1

Suponiendo que desea un clasificador ingenuo de Bayes con características de la bolsa de palabras:

from nltk import FreqDist
from nltk.classify.naivebayes import NaiveBayesClassifier

def make_training_data(rdr):
    for c in rdr.categories():
        for f in rdr.fileids(c):
            yield FreqDist(rdr.words(fileids=[f])), c

clf = NaiveBayesClassifier.train(list(make_training_data(reader)))

La resultante clf's classify El método se puede utilizar en cualquier FreqDist de palabras.

(Pero tenga en cuenta: de su cap_pattern, parece que tienes muestra y Una sola categoría por archivo en su corpus. Por favor, verifique si eso es realmente lo que quieres).