Classificação de Texto

Procure um modelo ideal entre os algoritmos de modelo disponíveis. A seleção do Modo automático usa os algoritmos Naïve Bayes multinomial e SVC linear. Para cada modelo, uma pesquisa é feita em uma pequena faixa dos parâmetros correspondentes. O Modo automático  gera a combinação ideal de algoritmo e hiperparâmetros. Para ajustar seu modelo, escolha uma das listas suspensas específicas de cada algoritmo.

O algoritmo Naïve Bayes multinomial é um modelo de classificação probabilística. O classificador de Naïve Bayes cria um modelo que prevê a probabilidade de que um texto pertença a um rótulo. Para criar seu modelo, use dados de treinamento na forma de linhas de texto e seus rótulos associados (também conhecidos como classe ou alvo). O algoritmo pressupõe que todos os recursos são independentes uns dos outros. As vantagens do classificador de Naïve Bayes são que ele é escalável e geralmente tem bom desempenho com um conjunto de treinamento pequeno.

Alpha é um parâmetro de suavização aditivo que você pode usar para controlar a complexidade do modelo. Um valor de 0 indica que não há suavização. Um valor superior a 0 pode melhorar seus resultados se uma palavra nos dados de teste não existir nos dados de treinamento.

A ferramenta procura o melhor modelo com base em um intervalo de valores alpha que você define. Para criar esses valores alpha, insira o intervalo que você deseja pesquisar ( De – Até ) e o Número de etapas dentro desse intervalo.

A Validação cruzada é uma técnica de reamostragem que usa diferentes porções (conhecidas como partições ou folds) de seus dados para treinamento e validação do modelo. Escolha quantas partições (folds) usar durante a validação cruzada.

A necessidade de converter texto bruto em dados numéricos é uma etapa necessária para a classificação de texto. Essa etapa de vetorização permite que o modelo interprete seus dados. Para esta ferramenta, usamos a técnica de vetorização "Frequência do termo – Frequência inversa de documentos (TF-IDF)". Estas são as configurações da TF-IDF:

O modelo SVC linear pertence à classe das máquinas de vetores de suporte. Você pode aplicar esse algoritmo a dados com duas (binário) ou mais classes. Uma vez ajustado aos seus dados, o modelo encontra o hiperplano que melhor divide os dados nas categorias corretas. O SVC linear é eficaz em espaços de alta dimensão, como texto. No entanto, ele pode ser lento quando aplicado a um conjunto grande de dados de treinamento.

Escolha a norma usada na penalização. Observe que a norma L2 (também conhecida como norma euclidiana ) é o padrão usado na classificação de vetores de suporte. A norma L1 resulta em vetores de coeficiente esparsos.

Escolha uma função de perda. Hinge (também conhecida como "perda de articulação") é a escolha padrão para este algoritmo.

C é um parâmetro de regularização. Deve ser superior a 0. Valores grandes de C correspondem a uma menor regularização e um modelo que tenta se ajustar demais aos dados de treinamento. Em contraste, valores pequenos de C correspondem a uma regularização maior.

A ferramenta procura o melhor modelo com base em um intervalo de valores C que você define. Para criar esses valores C, insira o intervalo de log em que deseja pesquisar ( De – Até ) e o Número de etapas dentro desse intervalo.

A Validação cruzada é uma técnica de reamostragem que usa diferentes porções (conhecidas como partições ou folds) de seus dados para treinamento e validação do modelo. Escolha quantas partições (folds) usar durante a validação cruzada.

A necessidade de converter texto bruto em dados numéricos é uma etapa necessária para a classificação de texto. Essa etapa de vetorização permite que o modelo interprete seus dados. Para esta ferramenta, usamos a técnica de vetorização "Frequência do termo – Frequência inversa de documentos (TF-IDF)". Estas são as configurações da TF-IDF: