Datawhale组队学习——打卡任务Task1赛题理解
赛题理解
赛题名称:零基础入门NLP之新闻文本分类
赛题目标:入门自然语言处理,接触NLP的预处理、模型构建和模型训练
赛题任务:对新闻文本进行分类属于典型的字符识别问题
学习目标
理解赛题背景与赛题数据
完成赛题报名和数据下载,理解赛题的解题思路
打开在网站下载的赛题数据文件,我们可以看到对应的训练集和测试集的下载网址,自行去对应网站下载数据集。
数据读取
使用Pandas库完成数据读取操作,并对赛题数据进行分析
解题思路
思路1:TF-IDF+机器学习分类器
直接使用TF-IDF对文本提取特征,并使用分类器进行分类。在分类器的选择上,可以使用SVM,LR,或者XGBoost
思路2:FastText
FastText是入门款的词向量,利用Facebook提供的FastText工具,可以快速的构建出分类器。
思路3:WordVec+深度学习分类器
WordVec是进阶款的词向量,并通过构建深度学习分类完成分类,深度学习分类的网络结构可以选择TextCNN、TextRNN或者BiLSTM。
思路4;Bert词向量
Bert是高配款的词向量,具有强大的建模学习能力。
个人工作小结
在论坛找到了Baseline(TD-IDF + LR/XGB) 0.93
尝试在自己电脑上运行Baseline
第一个小困难
解决办法:
打开anaconda自带的Prompt(即在win10搜索框输入cmd)
输入:
anaconda search -t conda xgboost
等候一会,继续输入
conda install -c anaconda py-xgboost
稍等在安装的时候提示y/n,输入y回车便会自动安装了。
第二个小困难
Classification metrics can’t handle a mix of multiclass and multilabel-indicator targets
代码运行出现错误,暂时还没找到解决办法!