文本分析工具箱
分析和建模文本数据
文本分析工具箱™为预处理、分析和建模文本数据提供了算法和可视化。使用工具箱创建的模型可以在情绪分析、预测维护和主题建模等应用程序中使用。
文本分析工具箱包括处理原始文本的工具，从资源，如设备日志，新闻源，调查，操作员报告，和社会媒体。您可以从流行的文件格式中提取文本、预处理原始文本、提取单个单词、将文本转换为数字表示，以及构建统计模型。
使用LSA、LDA和单词嵌入等机器学习技术，您可以从高维文本数据集中找到集群并创建特性。使用Text Analytics Toolbox创建的特性可以与来自其他数据源的特性相结合，以构建利用文本、数字和其他类型数据的机器学习模型。
开始:
提取文本数据
导入文本数据到MATLAB®从单个文件或大型文件集合，包括PDF、HTML和Microsoft®词®和Excel®文件。
从microsoftword文档集合中提取文本。
显示使用字体大小和颜色的单词的相对频率的文本散点图。
语言支持万博1manbetx
文本分析工具箱为英语、日语、德语和韩语提供了特定于语言的预处理功能。大多数函数还可以处理其他语言中的文本。
输入、准备和分析日语文本。
清洁文本数据
应用高级过滤函数来删除无关的内容，如url、HTML标记、标点符号和正确的拼写。
简化原始文本(左)以处理最有意义的单词(右)。
财务图表和技术指标。
识别和可视化模型中最经常出现的单词。
字嵌入和编码
训练单词嵌入模型，如word2vec连续单词包(CBOW)和跳过图模型。进口预先训练的模型，包括fastText和手套。
使用单词嵌入在文本散点图中可视化集群。
主题建模
使用机器学习算法(如潜在Dirichlet分配(LDA)和潜在语义分析(LSA))发现和可视化大型文本数据集中的底层模式、趋势和复杂关系。
在风暴报告数据中识别主题。
从文本中提取摘要。
利用文本数据进行深度学习
进行情绪分析和分类深度学习网络，如长短期内存网络(LSTMs)。
找出预测积极和消极情绪的词汇。
文本分类
使用可以通过深度学习识别文本类别的单词嵌入对文本描述进行分类。
训练一个深度神经网络来分类文本数据。
使用简·奥斯汀的文本生成《傲慢与偏见》和一个深度学习的LSTM网络。
