tf.keras.datasets.reuters.load_data
| Просмотреть исходный код на GitHub |
Загружает набор данных классификации новостей 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, **kwargs
)
Это набор данных, содержащий 11 228 новостей из Reuters, помеченных по 46 темам.
Изначально он был сгенерирован путем разбора и предобработки классического набора данных Reuters-21578, но код предобработки больше не включён в Keras. Смотрите эту дискуссию на GitHub для получения дополнительной информации.
Каждая новость закодирована как список индексов слов (целых чисел). Для удобства слова индексируются по их частоте в наборе данных, так что, например, целое число "3" кодирует 3-е по частоте слово в данных. Это позволяет выполнять быстрые фильтрующие операции, например: «рассмотреть 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 для кэширования данных (относительно ~/.keras/dataset). |
num_words | целое число или None. Слова ранжируются по частоте их появления (в обучающей выборке), и сохраняются только num_words самых часто встречающихся слов. Любое менее частое слово будет отображаться как oov_char значение в данных последовательности. Если None, сохраняются все слова. По умолчанию None, то есть сохраняются все слова. |
skip_top | пропустить первые N наиболее часто встречающихся слов (которые могут быть неинформативными). Эти слова будут отображаться как oov_char значение в наборе данных. По умолчанию 0, т.е. слова не пропускаются. |
maxlen | целое число или None. Максимальная длина последовательности. Любая более длинная последовательность будет усечена. По умолчанию None, что означает отсутствие усечения. |
test_split | Число с плавающей запятой от 0 до 1. Доля набора данных, которая будет использоваться в качестве тестовых данных. По умолчанию 0,2, что означает, что 20% набора данных используется в качестве тестовых данных. |
seed | Целое число. Зерно для воспроизводимой перетасовки данных. |
start_char | Целое число. Начало последовательности будет помечено этим символом. По умолчанию 1, так как 0 обычно является символом заполнения. |
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 фактические слова с этим индексом и выше. |
**kwargs | Используется для обратной совместимости. |
| Возвращаемые значения | |
|---|---|
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 задан, максимальное возможное значение индекса равно 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 прошли num_words отбор здесь. Слова, которые не встречались в обучающем наборе, но присутствуют в тестовом наборе, просто пропущены.
© 2020 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 3.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r2.4/api_docs/python/tf/keras/datasets/reuters/load_data
