建模和预测
要从高维文本数据集查找群集和提取功能，您可以使用机器学习技术和模型，如LSA，LDA和Word Embeddings。您可以将使用Text Analytics Toolbox™创建的功能组合，其中包含其他数据源的功能。使用这些功能，您可以构建机器学习模型，以利用文本，数字和其他类型的数据。
功能
主题
分类和建模
这个例子展示了如何创建一个函数来清理和预处理文本数据以便进行分析。
此示例显示如何使用袋式模型在字频率计数上训练简单的文本分类器。
这个例子展示了如何使用n格的频率计数来分析文本。
这个例子展示了如何使用Latent Dirichlet Allocation (LDA)主题模型来分析文本数据。
此示例显示了如何确定潜在Dirichlet分配（LDA）模型的合适数量的主题。
这个例子展示了如何通过比较拟合优度和拟合模型所需的时间来比较潜在的Dirichlet分配(LDA)求解器。
情绪分析和关键字提取
这个例子展示了如何使用价感知字典和情感推理(VADER)算法进行情感分析。
这个例子展示了如何使用10-K和10-Q财务报告生成情感分析词汇。
此示例显示如何使用带有的正面和负面情绪单词的注释列表和备用字嵌入的注释列表训练分类器进行情感分析。
此示例显示如何使用快速自动关键字提取（Rake）从文本数据中提取关键字。
此示例显示使用Textrank从文本数据中提取关键字。
深度学习
此示例显示如何使用深度学习长期短期内存（LSTM）网络对文本数据进行分类。
此示例显示如何使用卷积神经网络对文本数据进行分类。
此示例显示如何使用转换的数据存储对存储器外部文本数据进行分类。
此示例显示如何使用重复序列 - 序列编码器 - 解码器模型将十进制字符串转换为罗马数字。
使用深度学习生成文本(深度学习工具箱)
这个例子展示了如何训练深度学习长短期记忆(LSTM)网络来生成文本。
此示例显示如何培训深度学习LSTM网络以使用字符嵌入式生成文本。
这个例子展示了如何训练深度学习LSTM网络来逐字生成文本。
此示例显示如何使用具有自定义训练循环的深度学习双向短期内存（Bilstm）网络对文本数据进行分类。
这个例子展示了如何使用自动编码器生成文本数据。
此示例显示如何定义文本编码器模型函数。
此示例显示如何定义文本解码器模型函数。
语言支持金宝app
有关使用其他语言的文本分析工具箱功能的信息。
文本分析工具箱中的日语支持信息。金宝app
此示例显示了如何使用主题模型导入，准备和分析日语文本数据。
文本分析工具箱中德语支持的信息。金宝app
此示例显示如何使用主题模型导入，准备和分析德语文本数据。
特色的例子
您还可以从以下列表中选择一个网站：
