路透社新聞專線分類資料集

[原始碼]

load_data 函數

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,
)

載入路透社新聞專線分類資料集。

這是一個包含來自路透社的 11,228 篇新聞專線的資料集，標記了 46 個主題。

這最初是通過解析和預處理經典的 Reuters-21578 資料集而生成的，但預處理程式碼不再與 Keras 打包。 請參閱此 GitHub 討論 以取得更多資訊。

每篇新聞專線都編碼為單字索引（整數）的列表。為了方便起見，單字會根據其在資料集中出現的總體頻率進行索引，例如，整數「3」會編碼資料中第 3 個最常出現的單字。這允許快速篩選操作，例如：「僅考慮前 10,000 個最常見的單字，但排除前 20 個最常見的單字」。

按照慣例，「0」不代表特定的單字，而是用於編碼任何未知的單字。

引數

• path：快取資料的位置（相對於 ~/.keras/dataset）。
• num_words：整數或 None。單字會按照它們出現的頻率（在訓練集中）排序，並且僅保留 num_words 個最常出現的單字。任何較不頻繁的單字都會在序列資料中顯示為 oov_char 值。如果為 None，則保留所有單字。預設值為 None。
• skip_top：跳過前 N 個最常出現的單字（它們可能沒有提供太多資訊）。這些單字將會在資料集中顯示為 oov_char 值。0 表示不跳過任何單字。預設值為 0。
• maxlen：整數或 None。最大序列長度。任何更長的序列都將被截斷。None 表示不截斷。預設值為 None。
• test_split：介於 0. 和 1. 之間的浮點數。用作測試資料的資料集部分。0.2 表示 20% 的資料集用作測試資料。預設值為 0.2。
• seed：整數。用於可重複資料洗牌的種子。
• start_char：整數。序列的開頭將使用此字元標記。0 通常是填充字元。預設值為 1。
• oov_char：整數。詞彙外字元。由於 num_words 或 skip_top 限制而被刪除的單字將會被此字元取代。
• index_from：整數。使用此索引和更高的索引來實際索引單字。

返回值

• Numpy 陣列的元組：(x_train, y_train), (x_test, y_test)。

x_train、x_test：序列列表，它們是索引（整數）的列表。如果指定了 num_words 引數，則最大可能的索引值為 num_words - 1。如果指定了 maxlen 引數，則最大可能的序列長度為 maxlen。

y_train、y_test：整數標籤（1 或 0）的列表。

注意： 「詞彙外」字元僅用於訓練集中存在但由於未達到 num_words 限制而被排除的單字。在訓練集中未看到但在測試集中出現的單字只是被跳過了。

[原始碼]

get_word_index 函數

keras.datasets.reuters.get_word_index(path="reuters_word_index.json")

檢索將單字對應到它們在路透社資料集中的索引的字典。

實際的單字索引從 3 開始，其中 3 個索引保留用於：0（填充）、1（開始）、2（oov）。

例如，單字「the」的索引為 1，但在實際的訓練資料中，「the」的索引將為 1 + 3 = 4。反之亦然，要使用此對應將訓練資料中的單字索引轉譯回單字，索引需要減 3。

引數

• path：快取資料的位置（相對於 ~/.keras/dataset）。

返回值

單字索引字典。鍵是單字字串，值是它們的索引。