ช่วยปกป้อง Great Barrier Reef กับ TensorFlow บน Kaggle เข้าร่วมท้าทาย

yelp_polarity_reviews

  • รายละเอียด:

ชุดข้อมูลการตรวจสอบ Yelp ขนาดใหญ่ นี่คือชุดข้อมูลสำหรับการจัดประเภทความเชื่อมั่นแบบไบนารี เรามีชุดบทวิจารณ์ 560,000 รายการสำหรับการฝึกอบรม และ 38,000 รายการสำหรับการทดสอบ ORIGIN ชุดข้อมูลบทวิจารณ์ Yelp ประกอบด้วยบทวิจารณ์จาก Yelp มันถูกดึงมาจากข้อมูล Yelp Dataset Challenge 2015 สำหรับข้อมูลเพิ่มเติมโปรดดูที่ http://www.yelp.com/dataset

ชุดข้อมูลตรวจสอบขั้วของ Yelp สร้างขึ้นโดย Xiang Zhang (xiang.zhang@nyu.edu) จากชุดข้อมูลด้านบน เป็นครั้งแรกที่ใช้เป็นเกณฑ์มาตรฐานการจัดประเภทข้อความในเอกสารต่อไปนี้: Xiang Zhang, Junbo Zhao, Yann LeCun เครือข่าย Convolutional ระดับอักขระสำหรับการจำแนกข้อความ ความก้าวหน้าในระบบประมวลผลข้อมูลประสาท 28 (NIPS 2015).

คำอธิบาย

ชุดข้อมูลตรวจสอบขั้วของ Yelp สร้างขึ้นโดยพิจารณาดาวที่ 1 และ 2 เป็นลบ และ 3 และ 4 เป็นบวก สำหรับแต่ละขั้ว ตัวอย่างการฝึกอบรม 280,000 ตัวอย่างและตัวอย่างการทดสอบ 19,000 ตัวอย่างจะถูกสุ่ม มีตัวอย่างการฝึก 560,000 ตัวอย่างและตัวอย่างทดสอบ 38,000 ตัวอย่าง ขั้วลบคือชั้น 1 และชั้นบวก 2

ไฟล์ train.csv และ test.csv มีตัวอย่างการฝึกทั้งหมดเป็นค่าที่คั่นด้วยเครื่องหมายจุลภาค มี 2 ​​คอลัมน์ในคอลัมน์เหล่านี้ ซึ่งสอดคล้องกับดัชนีคลาส (1 และ 2) และข้อความทบทวน ข้อความรีวิวใช้ Escape โดยใช้เครื่องหมายคำพูดคู่ (") และเครื่องหมายคำพูดภายในใดๆ จะใช้เครื่องหมายคำพูดคู่ 2 ใบ ("") แทนได้) บรรทัดใหม่จะใช้เครื่องหมายทับขวาที่ตามด้วยอักขระ "n" ซึ่งก็คือ " "

  • โฮมเพจ: https://course.fast.ai/datasets

  • รหัสที่มา: tfds.text.YelpPolarityReviews

  • รุ่น:

    • 0.2.0 (เริ่มต้น): ไม่มีบันทึกประจำรุ่น
  • ขนาดการดาวน์โหลด: 158.67 MiB

  • ขนาดชุด: 435.14 MiB

  • ออโต้แคช ( เอกสาร ): ไม่มี

  • แยก:

แยก ตัวอย่าง
'test' 38,000
'train' 560,000
  • คุณสมบัติ:
FeaturesDict({
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
    'text': Text(shape=(), dtype=tf.string),
})
  • อ้างอิง:
@article{zhangCharacterlevelConvolutionalNetworks2015,
  archivePrefix = {arXiv},
  eprinttype = {arxiv},
  eprint = {1509.01626},
  primaryClass = {cs},
  title = {Character-Level { {Convolutional Networks} } for { {Text Classification} } },
  abstract = {This article offers an empirical exploration on the use of character-level convolutional networks (ConvNets) for text classification. We constructed several large-scale datasets to show that character-level convolutional networks could achieve state-of-the-art or competitive results. Comparisons are offered against traditional models such as bag of words, n-grams and their TFIDF variants, and deep learning models such as word-based ConvNets and recurrent neural networks.},
  journal = {arXiv:1509.01626 [cs]},
  author = {Zhang, Xiang and Zhao, Junbo and LeCun, Yann},
  month = sep,
  year = {2015},
}