机器学习：文件解析和预测类文件

Question

大家早上好， 我目前正在从事机器学习领域的一个项目，目标是对一组数据进行监督分类。我的数据是大量的 pdf 文件，每个文件都有一个特定的类，目标是使用这些文件作为训练数据集，以便对新文件进行类预测。 我的问题是我不知道如何构建我的训练数据集，因为分类算法必须对每个文件的内容进行训练，并且在我的训练数据框中，我有每个文件的类和相关文件的名称。如何在我的训练数据框中包含每个 pdf 文件的内容？ 提前感谢您的帮助

Answer 1

PDF 文件通常以文本、图像、图表或其他内容为特征，因此它们不能轻易地转换为可以提供给机器学习算法的数字向量。首先，您需要从文件中提取感兴趣的信息。

在这方面，您可能想先尝试一些可用于提取信息的库，然后看看会发生什么。对于 Python，一个好的开始可以是PyPDF2。你可以找到一个教程here。 如果这没有按预期工作，我的建议是尝试使用一些 OCR 工具，它们直接将 pdf 作为图像读取以提取信息。在pytesseract中是最常用的之一，但不是only one。