Keras 3 API 文档 / 内置小型数据集 / 路透社新闻分类数据集

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 0.1. 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_wordsskip_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。