多特征时文本分类问题的处理
我正在研究一个文本分类问题，其中多个文本特征和需要建立一个模型来预测工资范围。请参考示例数据集，大多数资源/教程只处理一列的特征提取，然后预测目标。我了解了文本预处理、特征提取（CountVectorizer或TF-IDF）以及应用算法等过程。
在这个问题中，我有多个输入文本特性。当涉及多个特征时，如何处理文本分类问题？这些是我已经尝试过的方法，但我不确定这些是否是正确的方法。请提供您的意见/建议。
另外，我不明白如何使用'company_name'&'experience'来处理文本数据。在company_name中大约有2000多个唯一值。请提供文本分类问题中如何处理数字数据的输入/指针。
共有1个答案
试试这些东西：
>
对“工作描述”、“工作指定”和“关键技能”进行文本预处理。删除所有停止词，分开每个词删除标点符号，小写所有词然后应用TF-IDF或计数向量器，不要忘记在训练模型之前缩放这些特征。
将经验转换为最小经验和最大经验2个特征，并将其视为离散的数字特征。
让我知道它是如何与这些表现。
-
从多个文本列中提取特征并对其应用任何分类算法的正确方法是什么？如果我做错了，请建议我 示例数据集 自变量：描述1、描述2、状态、NumericCol1、NumericCol2 依赖变量：TargetClass 代码：
-
这个例子展示了如何使用 scikit-learn 中的单词包方法，根据主题对文档进行分类。本例使用scipy.sparse中的矩阵来存储特征，并演示各种能够有效处理稀疏矩阵的分类器。 本例中使用的数据集是20条新闻组数据集。通过scikit-learn可以自动下载该数据集，并进行缓存。 下述条形图展示了各个不同分类器，其信息包括精度、训练时间(已归一化)和测试时间(已归一化)。 import lo
-
问题内容： 我目前正在研究一个项目，一个 简单的情感分析器，* 这样在 单独的情况下 将有 2和3个类 。我使用的 语料库 在 唯一词方面 非常 丰富 （大约200.000）。我用 袋的词 方法用于 特征选择 和以减少的数量 独特特征 ，进行消除由于一个进行 阈值 的 出现频率 。在 最后一组的功能 包括围绕20.000的功能，这实际上是一个 90％的下降 ，但 还不够 用于预期 的测试预测 *准
-
我当前的Cucumber文件如下所示： 所以现在我想再添加几个场景，可能是在同一个文件中进行API测试。所以我想为此创建一个新特性，而不是使用Feature：Test Online application页面。这样我就不需要为API测试创建单独的特性文件。
-
本文向大家介绍特征工程的问题相关面试题，主要包含被问及特征工程的问题时的应答技巧和注意事项，需要的朋友参考一下 参考回答： 特征工程包括数据与特征处理、特征选择和降纬三部分。数据与特征处理包括： 1.数据选择、清洗、采样 数据格式化； 数据清洗，填充缺失值、去掉脏数据，将不可信的样本丢掉，缺省值极多的字段考虑不用； 采样：针对正负样本不平衡的情况，当正样本远大于负样本时，且量都很大时，使用下采样，
-
问题内容： 我有一组Books对象， Book 类定义如下： 当 标题 是书，例如标题： JavaScript来假人 。 和 taglist 是我们示例的标签列表： Javascript，jquery，“ web dev”，.. 正如我所说，有一本书谈论不同的事物：IT，生物学，历史……每本书都有一个标题和一组描述它的标签。 我必须按主题自动将这些书分类为单独的集合，例如： 书： 傻瓜Java 假