MATLAB的文本分类数据集

[poster]

我正在为MATLAB格式的文本分类任务寻找可靠的数据集。我想进行一些实验，不想在预处理文本和创建特征向量上花费太多时间。我需要准备一些东西，以便可以将其插入算法中。我在这里找到了路透社数据集的MATLAB文件： 链接文本

一切准备就绪，但我想使用其中的一部分。在此“特征”中包含每个文档的特征向量。但是，它似乎不是正常矩阵。例如，我想在此“功能”中选择前1000个文档。如果只下载并将其加载到MATLAB中，您将明白我的意思。因此，如果可能，我需要上述数据集或任何其他数据集的解决方案。提前致谢。



回答：

它存储为稀疏矩阵 。提取前1000个文档（行），如果有足够的空间，则可以将其转换为完全密集的矩阵：

load Reuters21578.mat TF = full( fea(1:1000,:) ); 让我们检查一下我们拥有的变量：

>> whos Name Size Bytes Class Attributes TF 1000x18933 151464000 double fea 8293x18933 4749196 double sparse gnd 8293x1 66344 double testIdx 2347x1 18776 double trainIdx 5946x1 47568 double 因此您可以看到TF现在约为150MB。

除此之外，其余内容不言自明：

• fea ：术语频率矩阵，行是文档，列是术语
• gnd ：每个文档的类别，其中numel(unique(gnd)) == 65
• trainIdx / testIdx ：出于分类目的对实例（文档）进行拆分，包含行的索引，用作： tr = fea(trainIdx,:); tt = fea(testIdx,:);

更多&回答...