要从高维文本数据集中找到集群并提取特征,可以使用机器学习技术和模型,如LSA、LDA和单词嵌入。您可以将使用Text Analytics Toolbox™创建的特性与来自其他数据源的特性相结合。通过这些特性,您可以构建利用文本、数字和其他类型数据的机器学习模型。
这个例子展示了如何使用一个单词包模型来训练一个简单的文本分类器。
这个示例展示了如何使用深度学习长短期记忆(LSTM)网络对文本数据进行分类。
这个例子展示了如何使用卷积神经网络对文本数据进行分类。
此示例演示如何使用转换后的数据存储,使用深度学习网络对内存不足的文本数据进行分类。
这个例子展示了如何使用n-gram频率计数来分析文本。
这个例子展示了如何使用潜在的Dirichlet分配(LDA)主题模型来分析文本数据。
这个示例展示了如何为潜在Dirichlet分配(LDA)模型决定合适的主题数量。
这个例子展示了如何通过比较拟合优度和拟合模型所花费的时间来比较潜在的Dirichlet分配(LDA)求解器。
这个例子展示了如何创建一个函数来清理和预处理要分析的文本数据。
这个例子展示了如何使用一个带注释的积极和消极情绪词汇列表以及一个预先训练好的嵌入词来训练一个用于情绪分析的分类器。
这个示例展示了如何使用循环的序列到序列的编码器-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一个深度学习的长短期记忆(LSTM)网络来生成文本。
这个例子展示了如何训练一个深度学习的LSTM网络来使用字符嵌入生成文本。
这个例子展示了如何训练一个深度学习的LSTM网络来逐字生成文本。
有关为其他语言使用文本分析工具箱特性的信息。
文本分析工具箱中的日语支持信息。金宝app
这个例子展示了如何使用主题模型导入、准备和分析日语文本数据。
关于文本分析工具箱中德语支持的信息。金宝app
这个示例展示了如何使用主题模型导入、准备和分析德语文本数据。