Weka，arff 文件上的文本分类

Question

。这是一个基本问题。我正在尝试将文本文件分类为 20 个不同的类。

因此，我有一个项目结构，其中包含一个名为 train,test 的文件夹。 在 train 文件夹中，我有 20 个不同的文件夹，每个文件夹又有许多与该特定类相关的文件。例如：天气、无神论......等

我现在已经为整个 train 文件夹创建了一个 train.arff 文件。当数据通过可视化时，我只能看到两个属性。 已提供以下链接：

Screen in weka

我的疑问是如何查看这些文件夹下的各种文件并删除停用词、标点符号、词干。我该如何进行预处理。如果有一些好的资源链接可用，请建议并提供必要的链接

Answer 1

当我第一次使用 Weka 进行文本分类时，我发现下面的视频非常有用。你可能想看看。

• Weka Tutorial 31: Document Classification 1 (Application)
• Weka Tutorial 32: Document classification 2 (Application)
• WEKA Text Classification for First Time & Beginner Users

您可能想使用 StringToWordVector 过滤器来查看每个单词作为属性的效果，这在第一个和最后一个视频中确实有详细描述。在过滤器设置中，您可以提供停用词列表，并在每次运行中选择是否使用它。与词干相同，您也可以更改它。这个documentation 和视频会让您轻松理解它。