Python 如何在nltk naivebayes分类器中添加频率？

我现在正在使用nltk学习朴素贝叶斯分类器

在document（）1.3文档分类中，有一个featureset示例

featuresets = [(document_features(d), c) for (d,c) in documents]
train_set, test_set = featuresets[100:], featuresets[:100]
classifier = nltk.NaiveBayesClassifier.train(train_set)

all_words = nltk.FreqDist(w.lower() for w in movie_reviews.words())
word_features = list(all_words)[:2000] [1]

def document_features(document): [2]
    document_words = set(document) [3]
    features = {}
    for word in word_features:
        features['contains({})'.format(word)] = (word in document_words)
    return features

因此，FeatureSet形式的示例是{（'contains（waste）'False，'contains（lot）'False，…}，'neg'）…}

但我想将单词词典形式从'contains（waste）:False更改为'contains（waste）:2。我认为那个表单（‘包含（废物）’：2）很好地解释了文档，因为它可以计算世界的频率。所以特性集应该是{（'contains（waste）'2，'contains（lot）'5，…}，'neg'）…}

但我担心的是“包含（废物）”2和“包含（废物）”1是否与naivebayesclassifier完全不同。然后它无法解释“包含（废物）”的相似性：2和“包含（废物）”的相似性：1

{'contains（lot）'1和'contains（waste）'1}和{'contains（waste）'2和'contains（waste）'1}可以与程序相同

nltk.naivebayesclassifier能理解单词的频率吗

这是我使用的代码

def split_and_count_word(data):
    #belongs_to : Main
    #Role : make featuresets from korean words using konlpy.
    #Parameter : dictionary data(dict of contents ex.{'politic':{'parliament': [content,content]}..})
    #Return : list featuresets([{'word':True',...},'politic'] == featureset + category)

    featuresets = []
    twitter = konlpy.tag.Twitter()#Korean word splitter

    for big_cat in data:

        for small_cat in data[big_cat]:
            #save category name needed in featuresets 
            category = str(big_cat[0:3])+'/'+str(small_cat)
            count = 0; print(small_cat)

            for one_news in data[big_cat][small_cat]:
                count+=1; if count%100==0: print(count,end=' ')                
                #one_news is list in list so open it!
                doc = one_news
                #split word as using konlpy
                list_of_splited_word = twitter.morphs(doc[:-63])#delete useless sentences. 
                #get word length is higher than two and get list of splited words
                list_of_up_two_word = [word for word in list_of_splited_word if len(word)>1]
                dict_of_featuresets = make_featuresets(list_of_up_two_word)
                #save 
                featuresets.append((dict_of_featuresets,category))

    return featuresets


def make_featuresets(data):
    #belongs_to : split_and_count_word
    #Role : make featuresets
    #Parameter : list list_of_up_two_word(ex.['비누','떨어','지다']
    #Return : dictionary {word : True for word in data}

    #PROBLEM :(
    #cannot consider the freqency of word
    return {word : True for word in data}

def naive_train(featuresets):
    #belongs_to : Main
    #Role : Learning by naive bayes rule
    #Parameter : list featuresets([{'word':True',...},'pol/pal'])
    #Return : object classifier(nltk naivebayesclassifier object),
    #         list test_set(the featuresets that are randomly selected)

    random.shuffle(featuresets)
    train_set, test_set = featuresets[1000:], featuresets[:1000]
    classifier = naivebayes.NaiveBayesClassifier.train(train_set)

    return classifier,test_set

featuresets = split_and_count_word(data)
classifier,test_set = naive_train(featuresets)

---

nltk的朴素贝叶斯分类器将特征值视为逻辑上不同的。值不限于

True

和

False

，但它们从不被视为数量。如果您有功能

f=2

和

f=3

，则它们将计为不同的值。向这样的模型中添加数量的唯一方法是将它们分类为“桶”，例如

f=1

，

f=“少数”

（2-5），

f=“多个”

（6-10），

f=“多个”

（11个或更多）。（注意：如果你走这条路线，有一些算法可以为桶选择好的值范围。）即使这样，模型也不知道“很少”在“一”和“几个”之间。你需要一个不同的机器学习工具来直接处理数量

谢谢你给我这个主意。那么你的意思是我不能添加已经包含在功能字典中的单词？例如，字典应该是{“hello”：True，“hello”：True，“my”：True…}。那么，你能推荐其他有用的机器学习模块吗？正如你在对@aberger的评论中指出的，不，你不能在一个dict中有两个相同的键。不能直接向你指出一个量化的解决方案，对不起。nltk使用数字权重，但它们通常由API根据您提供的“标称”特性创建；所以你必须四处寻找正确的使用方法。还可以看看scikit learn。最好的分类器取决于您的任务，因此请尝试使用一些！谢谢，我试试看！