tf.keras.datasets.reuters.load_data

Загружает набор данных о классификации новостных лент Reuters.

tf.keras.datasets.reuters.load_data(
    path='reuters.npz',
    num_words=None,
    skip_top=0,
    maxlen=None,
    test_split=0.2,
    seed=113,
    start_char=1,
    oov_char=2,
    index_from=3
)

Это набор данных из 11 228 новостных лент Reuters, помеченных более чем по 46 темам.

Изначально он был сгенерирован путём анализа и предобработки классического набора данных Reuters-21578, но код предобработки больше не входит в Keras. Более подробную информацию можно найти в этом обсуждении на GitHub.

Каждая новостная лента кодируется как список индексов слов (целые числа). Для удобства слова индексируются по частоте встречаемости в наборе данных, так что, например, целое число "3" кодирует третье по частоте слово в данных. Это позволяет выполнять быстрые операции фильтрации, такие как: «учитывать только 10 000 самых часто встречающихся слов, но исключить 20 самых часто встречающихся слов».

По соглашению, "0" не обозначает конкретное слово, а используется для кодирования любого неизвестного слова.

Аргументы
`path`	место кэширования данных (относительно `~/.keras/dataset`).
`num_words`	целое число или None. Слова ранжируются по частоте их появления (в обучающем наборе), и сохраняются только `num_words` самых часто встречающихся слов. Любое слово с меньшей частотой появления будет отображаться как `oov_char` значение в данных последовательности. Если None, сохраняются все слова. По умолчанию `None`.
`skip_top`	пропустить N самых часто встречающихся слов (которые могут быть неинформативными). Эти слова будут отображаться как `oov_char` значение в наборе данных. 0 означает, что слова не пропускаются. По умолчанию `0`.
`maxlen`	целое число или None. Максимальная длина последовательности. Любая более длинная последовательность будет обрезана. None означает, что обрезка не выполняется. По умолчанию `None`.
`test_split`	Число с плавающей точкой от `0.` до `1.`. Часть набора данных, которая будет использоваться в качестве тестовых данных. `0.2` означает, что 20% набора данных используется как тестовые данные. По умолчанию `0.2`.
`seed`	целое число. Зерно для воспроизводимого перемешивания данных.
`start_char`	целое число. Начало последовательности будет отмечено этим символом. 0 обычно является символом заполнения. По умолчанию `1`.
`oov_char`	целое число. Символ вне словаря. Слова, которые были исключены из-за `num_words` или `skip_top` ограничений, будут заменены этим символом.
`index_from`	целое число. Индексировать реальные слова с этим индексом и выше.

Возвращаемое значение
Кортеж массивов Numpy: `(x_train, y_train), (x_test, y_test)`.

x_train, x_test: списки последовательностей, которые являются списками индексов (целых чисел). Если аргумент num_words был указан, максимальное возможное значение индекса равно num_words - 1. Если аргумент maxlen был указан, максимальная возможная длина последовательности равна maxlen.

y_train, y_test: списки целочисленных меток (1 или 0).

Примечание: Символ «вне словаря» используется только для слов, которые присутствовали в обучающем наборе, но не включены, потому что они не проходят num_words отбор здесь. Слова, которые не встречались в обучающем наборе, но присутствуют в тестовом наборе, просто пропущены.

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/keras/datasets/reuters/load_data