IMDB 电影评论情感分类数据集
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 25,000 条 IMDB 电影评论的数据集，按情感（正面/负面）进行标记。评论已预处理，每条评论都被编码为一个词索引列表（整数）。为了方便起见，单词按数据集中的总体频率进行索引，因此例如整数“3”编码数据中第三个最常出现的单词。这允许进行快速过滤操作，例如：“只考虑最常见的 10,000 个单词，但消除最常见的 20 个单词”。
按照惯例，“0”不代表特定单词，而是用来编码填充标记。
参数
- path: 数据缓存位置（相对于
~/.keras/dataset）。 - num_words: 整数或 None。单词按在训练集中出现的频率排序，只保留最常出现的
num_words个单词。任何频率较低的单词都将在序列数据中显示为oov_char值。如果为 None，则保留所有单词。默认值为None。 - skip_top: 跳过最常出现的 N 个单词（可能没有信息量）。这些单词将在数据集中显示为
oov_char值。当为 0 时，不跳过任何单词。默认值为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。默认值为
None。 - seed: 整数。用于可重复数据洗牌的种子。
- start_char: 整数。序列的开头将用此字符标记。0 通常是填充字符。默认值为
1。 - oov_char: 整数。超出词汇表的字符。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。用此索引和更高的索引对实际单词进行索引。
返回值
- Numpy 数组元组:
(x_train, y_train), (x_test, y_test)。
x_train, x_test: 序列列表，它们是索引列表（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: “超出词汇表”字符仅用于训练集中存在的但未包含在内（因为它们未通过此处的 num_words 限制）的单词。未在训练集中看到但在测试集中存在的单词已被简单地跳过。
get_word_index 函数
keras.datasets.imdb.get_word_index(path="imdb_word_index.json")
检索一个字典，将单词映射到它们在 IMDB 数据集中的索引。
参数
- path: 数据缓存位置（相对于
~/.keras/dataset）。
返回值
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])