load_data
函数tf_keras.datasets.reuters.load_data(
path="reuters.npz",
num_words=None,
skip_top=0,
maxlen=None,
test_split=0.2,
seed=113,
start_char=1,
oov_char=2,
index_from=3,
cache_dir=None,
**kwargs
)
加载路透社新闻电讯分类数据集。
这是包含 11,228 条来自路透社的新闻电讯数据集,标记了 46 个主题。
该数据集最初是通过解析和预处理经典的 Reuters-21578 数据集生成的,但预处理代码不再随 TF-Keras 一起打包。更多信息请参阅此 GitHub 讨论。
每条新闻电讯都编码为一个词索引列表(整数)。为方便起见,词语按其在数据集中的总频率进行索引,例如,整数“3”表示数据中第 3 个最常用的词。这使得可以快速执行过滤操作,例如:“只考虑前 10,000 个最常用的词,但排除前 20 个最常用的词”。
按照惯例,“0”不代表某个特定的词,而是用于编码任何未知词。
参数
~/.keras/dataset
)。num_words
个最常用的词。任何频率较低的词将以序列数据中的 oov_char
值表示。如果为 None,则保留所有词。默认值为 None
。oov_char
值表示。0 表示不跳过任何词。默认值为 0
。None
。0.
和 1.
之间的浮点数。用作测试数据的数据集比例。0.2
表示将数据集的 20% 用作测试数据。默认值为 0.2
。1
。num_words
或 skip_top
限制而被剔除的词将替换为此字符。~/.keras/datasets
。返回值
(x_train, y_train), (x_test, y_test)
。x_train, x_test: 序列列表,每个序列是索引列表(整数)。如果指定了 num_words 参数,则最大可能的索引值为 num_words - 1
。如果指定了 maxlen
参数,则最大可能的序列长度为 maxlen
。
y_train, y_test: 整数标签列表(1 或 0)。
注意:“词汇表外”字符仅用于在训练集中出现过但由于未达到 num_words
阈值而未包含在内的词。从未在训练集中出现但在测试集中的词语将被简单地跳过。
get_word_index
函数tf_keras.datasets.reuters.get_word_index(path="reuters_word_index.json")
检索一个字典,该字典将词语映射到其在路透社数据集中的索引。
实际词索引从 3 开始,其中 3 个索引保留用于:0(填充)、1(开始)、2(词汇表外)。
例如,'the' 的词索引是 1,但在实际训练数据中,'the' 的索引将是 1 + 3 = 4。反之,要使用此映射将训练数据中的词索引转换回词语,索引需要减去 3。
参数
~/.keras/dataset
)。返回值
词索引字典。键是词字符串,值是其索引。