Question

我是RapidMiner的新手......我想要做的是我有一份10个文件的清单，我使用ProcessDocuments运算符（子任务）进行标记 - ＆gt; Tokenize ...结果是一个 10乘800 示例集，包含10行（每个文档一个）和800个属性（每个令牌一个）。

现在我想过滤800令牌，我再次使用ProcessDocuments运算符（子任务） - ＆gt;在前一个ProcessDocuments运算符生成的worldlist上的FilterByLength ...结果是800 x 700矩阵... 800来自前一个ProcessDocuments运算符的800个令牌和700个简化的令牌集。 / p>

我想要实现的是 10 x 700 exampleset ，我可以将其传递给Kmeans群集运算符。我怎么能这样做？

感谢

Answer 1

我不确定你为什么要使用两个“Process Documents”操作符，因为你可以在第一个操作符中添加“Tokenize”和“Filter Tokens（By Length）”，它应该产生你需要的东西。

以下是一个小例子。

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<process version="5.3.005">
  <context>
    <input/>
    <output/>
    <macros/>
  </context>
  <operator activated="true" class="process" compatibility="5.3.005" expanded="true" name="Process">
    <process expanded="true">
      <operator activated="true" class="text:create_document" compatibility="5.3.000" expanded="true" height="60" name="Create Document" width="90" x="45" y="75">
        <parameter key="text" value="This is a test with a looooooooooong word"/>
      </operator>
      <operator activated="true" class="text:create_document" compatibility="5.3.000" expanded="true" height="60" name="Create Document (2)" width="90" x="45" y="165">
        <parameter key="text" value="Again a text which has anoooooooooooooother long word."/>
      </operator>
      <operator activated="true" class="text:process_documents" compatibility="5.3.000" expanded="true" height="112" name="Process Documents" width="90" x="313" y="75">
        <process expanded="true">
          <operator activated="true" class="text:tokenize" compatibility="5.3.000" expanded="true" height="60" name="Tokenize" width="90" x="45" y="30"/>
          <operator activated="true" class="text:filter_by_length" compatibility="5.3.000" expanded="true" height="60" name="Filter Tokens (by Length)" width="90" x="179" y="30">
            <parameter key="max_chars" value="10"/>
          </operator>
          <connect from_port="document" to_op="Tokenize" to_port="document"/>
          <connect from_op="Tokenize" from_port="document" to_op="Filter Tokens (by Length)" to_port="document"/>
          <connect from_op="Filter Tokens (by Length)" from_port="document" to_port="document 1"/>
          <portSpacing port="source_document" spacing="0"/>
          <portSpacing port="sink_document 1" spacing="0"/>
          <portSpacing port="sink_document 2" spacing="0"/>
        </process>
      </operator>
      <operator activated="true" class="k_means" compatibility="5.3.005" expanded="true" height="76" name="Clustering" width="90" x="447" y="75"/>
      <connect from_op="Create Document" from_port="output" to_op="Process Documents" to_port="documents 1"/>
      <connect from_op="Create Document (2)" from_port="output" to_op="Process Documents" to_port="documents 2"/>
      <connect from_op="Process Documents" from_port="example set" to_op="Clustering" to_port="example set"/>
      <connect from_op="Clustering" from_port="cluster model" to_port="result 1"/>
      <portSpacing port="source_input 1" spacing="0"/>
      <portSpacing port="sink_result 1" spacing="0"/>
      <portSpacing port="sink_result 2" spacing="0"/>
    </process>
  </operator>
</process>

Answer 2

我倾向于同意已提供的答案;看起来它解决了问题，但你可以做类似以下的事情。

使用WordList to Data运算符将800字列表转换为示例集。
使用Nominal to Text运算符将多项式词属性的类型更改为文本。
对文本属性使用“数据运算符处理文档”，并在此处按长度进行过滤。

我做了一些模糊的类似here

700字的限制很难控制。在我看来，按长度排序的单词列表不太可能在700处有一个方便的截止。

RapidMiner多个过滤器按顺序排列

2 个答案: