路透社新闻专线分类数据集

[源代码]

load_data 函数

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,
)

加载路透社新闻分类数据集。

这是一个包含 11,228 篇来自路透社的新闻稿数据集，标记了 46 个主题。

此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，但预处理代码不再与 Keras 打包。有关更多信息，请参阅此 GitHub 讨论。

每篇新闻稿都被编码为词语索引（整数）列表。为方便起见，词语按其在数据集中出现的总频率进行索引，因此例如整数“3”编码数据中第三个最常出现的词语。这允许快速过滤操作，例如：“只考虑前 10,000 个最常用的词语，但排除前 20 个最常用的词语”。

按照惯例，“0”不代表特定词语，而是用于编码任何未知词语。

参数

• path：数据缓存位置（相对于 ~/.keras/dataset）。
• num_words：整数或 None。词语按其出现频率（在训练集中）进行排名，只保留 num_words 个最常出现的词语。任何出现频率较低的词语都将作为 oov_char 值出现在序列数据中。如果为 None，则保留所有词语。默认为 None。
• skip_top：跳过最常出现的 N 个词语（可能不具信息性）。这些词语将作为 oov_char 值出现在数据集中。0 表示不跳过任何词语。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。
• test_split：介于 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 20% 的数据集用作测试数据。默认为 0.2。
• seed：整数。用于可重现数据混洗的种子。
• start_char：整数。序列的开头将用此字符标记。0 通常是填充字符。默认为 1。
• oov_char：整数。词汇表外字符。因 num_words 或 skip_top 限制而被切除的词语将替换为此字符。
• index_from：整数。实际词语从此索引及更高索引开始。

返回

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

x_train, x_test：序列列表，即索引（整数）列表。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”字符仅用于存在于训练集中但由于此处未达到 num_words 限制而被排除的词语。未在训练集中出现但在测试集中出现的词语已被直接跳过。

[源代码]

get_word_index 函数

keras.datasets.reuters.get_word_index(path="reuters_word_index.json")

检索将词语映射到其在路透社数据集中索引的字典。

实际词语索引从 3 开始，其中 3 个索引保留用于：0（填充）、1（开始）、2（oov）。

例如，“the”的词语索引是 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语索引翻译回词语，索引需要减去 3。

参数

• path：数据缓存位置（相对于 ~/.keras/dataset）。

返回

词语索引字典。键是词语字符串，值是其索引。