IMDB 电影评论情感分类数据集

[源码]

load_data 函数

keras.datasets.imdb.load_data(
    path="imdb.npz",
    num_words=None,
    skip_top=0,
    maxlen=None,
    seed=113,
    start_char=1,
    oov_char=2,
    index_from=3,
    **kwargs
)

加载 IMDB 数据集。

这是一个包含来自 IMDB 的 25,000 条电影评论的数据集，评论按情感（正面/负面）标记。评论已经过预处理，每条评论都被编码为单词索引（整数）列表。为了方便起见，单词按在数据集中出现的总体频率进行索引，例如，整数“3”表示数据中第 3 个最常用的单词。这允许进行快速过滤操作，例如：“仅考虑最常见的 10,000 个单词，但排除最常见的 20 个单词”。

按照惯例，“0”不代表特定的单词，而是用于编码填充标记。

参数

• path: 缓存数据的位置（相对于 ~/.keras/dataset）。
• num_words: 整数或 None。单词按它们出现的频率（在训练集中）排序，并且只保留 num_words 个最常用的单词。任何不常用的单词都将以 oov_char 值出现在序列数据中。如果为 None，则保留所有单词。默认为 None。
• skip_top: 跳过最常见的 N 个单词（这些单词可能不提供信息）。这些单词将在数据集中以 oov_char 值出现。当为 0 时，不跳过任何单词。默认为 0。
• maxlen: 整数或 None。最大序列长度。任何更长的序列都将被截断。None 表示不截断。默认为 None。
• seed: 整数。用于可重复数据洗牌的种子。
• start_char: 整数。序列的开始将用此字符标记。0 通常是填充字符。默认为 1。
• oov_char: 整数。词汇表外的字符。由于 num_words 或 skip_top 限制而被删除的单词将被此字符替换。
• index_from: 整数。使用此索引及更高的索引对实际单词进行索引。

返回

• Numpy 数组的元组: (x_train, y_train), (x_test, y_test)。

x_train, x_test: 序列列表，这些序列是索引（整数）的列表。如果指定了 num_words 参数，则最大可能的索引值是 num_words - 1。如果指定了 maxlen 参数，则最大可能的序列长度是 maxlen。

y_train, y_test: 整数标签列表（1 或 0）。

注意： ‘词汇表外’ 字符仅用于那些出现在训练集中但由于没有达到 num_words 限制而被排除的单词。在训练集中未出现但在测试集中出现的单词已被简单地跳过。

[源码]

get_word_index 函数

keras.datasets.imdb.get_word_index(path="imdb_word_index.json")

检索一个字典，该字典将单词映射到它们在 IMDB 数据集中的索引。

参数

• path: 缓存数据的位置（相对于 ~/.keras/dataset）。

返回

单词索引字典。键是单词字符串，值是它们的索引。

示例

# Use the default parameters to keras.datasets.imdb.load_data
start_char = 1
oov_char = 2
index_from = 3
# Retrieve the training sequences.
(x_train, _), _ = keras.datasets.imdb.load_data(
    start_char=start_char, oov_char=oov_char, index_from=index_from
)
# Retrieve the word index file mapping words to indices
word_index = keras.datasets.imdb.get_word_index()
# Reverse the word index to obtain a dict mapping indices to words
# And add `index_from` to indices to sync with `x_train`
inverted_word_index = dict(
    (i + index_from, word) for (word, i) in word_index.items()
)
# Update `inverted_word_index` to include `start_char` and `oov_char`
inverted_word_index[start_char] = "[START]"
inverted_word_index[oov_char] = "[OOV]"
# Decode the first sequence in the dataset
decoded_sequence = " ".join(inverted_word_index[i] for i in x_train[0])