Fix preprocessing
This commit is contained in:
parent
587bc42691
commit
680de8dc60
@ -1,22 +1,10 @@
|
||||
from sklearn.feature_extraction.text import TfidfVectorizer
|
||||
from sklearn.naive_bayes import MultinomialNB
|
||||
|
||||
stopwords = []
|
||||
# stopwords source - https://github.com/bieli/stopwords/blob/master/polish.stopwords.txt
|
||||
with open('stopwords') as f:
|
||||
stopwords = [line.rstrip() for line in f]
|
||||
|
||||
classifier = MultinomialNB()
|
||||
vectorizer = TfidfVectorizer()
|
||||
|
||||
|
||||
def preprocess(doc):
|
||||
doc = doc.lower().split(' ')
|
||||
doc = list(filter(lambda word: (word not in stopwords) and (word != ''), doc))
|
||||
doc = ' '.join(doc)
|
||||
return doc
|
||||
|
||||
|
||||
def train():
|
||||
with open('train/train.tsv') as f:
|
||||
docs = [line.rstrip() for line in f]
|
||||
@ -26,7 +14,7 @@ def train():
|
||||
y_with_doc = doc.split('\t')
|
||||
y.append(y_with_doc[0])
|
||||
doc = y_with_doc[1]
|
||||
docs_preprocessed.append(preprocess(doc))
|
||||
docs_preprocessed.append(doc)
|
||||
y = [int(value) for value in y]
|
||||
x = vectorizer.fit_transform(docs_preprocessed)
|
||||
classifier.fit(x, y)
|
||||
@ -35,9 +23,6 @@ def train():
|
||||
def classify(path):
|
||||
with open(path + 'in.tsv') as f:
|
||||
docs = [line.rstrip() for line in f]
|
||||
docs_preprocessed = []
|
||||
for doc in docs:
|
||||
docs_preprocessed.append(preprocess(doc))
|
||||
test_x = vectorizer.transform(docs)
|
||||
predictions = classifier.predict(test_x)
|
||||
with open(path + 'out.tsv', 'w') as file:
|
||||
|
@ -418,7 +418,7 @@
|
||||
0
|
||||
1
|
||||
0
|
||||
0
|
||||
1
|
||||
0
|
||||
1
|
||||
1
|
||||
@ -1318,7 +1318,7 @@
|
||||
1
|
||||
1
|
||||
1
|
||||
0
|
||||
1
|
||||
0
|
||||
0
|
||||
0
|
||||
@ -1371,7 +1371,7 @@
|
||||
1
|
||||
1
|
||||
1
|
||||
1
|
||||
0
|
||||
1
|
||||
1
|
||||
1
|
||||
@ -3200,7 +3200,7 @@
|
||||
1
|
||||
1
|
||||
1
|
||||
0
|
||||
1
|
||||
1
|
||||
1
|
||||
0
|
||||
@ -3614,7 +3614,7 @@
|
||||
1
|
||||
1
|
||||
1
|
||||
0
|
||||
1
|
||||
0
|
||||
0
|
||||
1
|
||||
@ -4389,7 +4389,7 @@
|
||||
1
|
||||
1
|
||||
0
|
||||
0
|
||||
1
|
||||
1
|
||||
0
|
||||
1
|
||||
@ -4987,7 +4987,7 @@
|
||||
1
|
||||
1
|
||||
0
|
||||
0
|
||||
1
|
||||
1
|
||||
1
|
||||
1
|
||||
@ -5444,7 +5444,7 @@
|
||||
1
|
||||
1
|
||||
0
|
||||
0
|
||||
1
|
||||
1
|
||||
1
|
||||
0
|
||||
|
|
@ -204,7 +204,7 @@
|
||||
1
|
||||
0
|
||||
0
|
||||
0
|
||||
1
|
||||
0
|
||||
1
|
||||
0
|
||||
@ -1719,7 +1719,7 @@
|
||||
0
|
||||
1
|
||||
1
|
||||
0
|
||||
1
|
||||
1
|
||||
0
|
||||
1
|
||||
@ -1807,7 +1807,7 @@
|
||||
1
|
||||
0
|
||||
1
|
||||
0
|
||||
1
|
||||
1
|
||||
1
|
||||
1
|
||||
@ -1946,7 +1946,7 @@
|
||||
1
|
||||
0
|
||||
0
|
||||
0
|
||||
1
|
||||
1
|
||||
1
|
||||
0
|
||||
@ -2080,7 +2080,7 @@
|
||||
0
|
||||
1
|
||||
1
|
||||
0
|
||||
1
|
||||
0
|
||||
0
|
||||
1
|
||||
@ -2210,7 +2210,7 @@
|
||||
0
|
||||
1
|
||||
1
|
||||
1
|
||||
0
|
||||
1
|
||||
1
|
||||
1
|
||||
@ -2737,7 +2737,7 @@
|
||||
1
|
||||
0
|
||||
0
|
||||
0
|
||||
1
|
||||
0
|
||||
1
|
||||
1
|
||||
@ -3109,7 +3109,7 @@
|
||||
1
|
||||
1
|
||||
1
|
||||
0
|
||||
1
|
||||
1
|
||||
1
|
||||
0
|
||||
@ -3365,7 +3365,7 @@
|
||||
1
|
||||
0
|
||||
1
|
||||
0
|
||||
1
|
||||
1
|
||||
1
|
||||
1
|
||||
@ -4065,7 +4065,7 @@
|
||||
1
|
||||
1
|
||||
1
|
||||
1
|
||||
0
|
||||
1
|
||||
0
|
||||
1
|
||||
|
|
Loading…
Reference in New Issue
Block a user