PyMining-开源中文文本数据挖掘平台 Ver 0.2发布

项目首页:

http://code.google.com/p/python-data-mining-platform/ (可能需FQ)

目前比如tutorial, install, release等内容,已经更新到项目首页的wiki中

 

项目介绍:

这是一个能够根据源数据(比如说用csv格式表示的矩阵,或者中文文档)使用多种多样的算法去得到结果的一个平台。

算法能够通过xml配置文件去一个一个的运行,比如在开始的时候,我们可以先运行一下主成分分析算法去做特种选择,然后我们再运行随机森林算法来做分类。

目前算法主要是针对那些单机能够完成的任务,该架构良好的扩展性能够让你在很短的时间内完成自己想要的算法,并且用于工程之中(相信我,肯定比Weka更快更好)。该项目的另一个特色是能够很好的支持中文文本的分类、聚类等操作。

下图是使用PyMining主成分分析(PCA)算法将一个数千维的数据投影到2维平面的结果,也是PyMining中的一个例子,位于example/pca_matplot_example.py。原始数据为文本,每种颜色代表不同分类的文本,可以看出,虽然维度变成了2维,但是不同分类的文本投影后的结果还是有一定的区分度的。

image重要:目前项目已经集成了Scipy与Matplotlib,目前PCA调用了Scipy,上面的例子调用了Matplotlib。在Ubuntu下,Scipy的安装可以参考我的另一篇文章:Scipy在Ubuntu上的安装,Matplotlib的可以使用sudo apt-get install python-matplotlib。对于其他平台,只有自己去搜索配置一下,可以见项目主页中wiki下面的installing页面。

 

ChangeLog:

     重大改变:

  • 更新项目的组织方式,让package的组织、example的组织等等更合理一点

     新增Feature:

  • 加入了K-Means算法,能够对文本进行聚类
  • 加入了基于补集的朴素贝叶斯算法,大大提升了分类的准确率,目前该算法在搜狗实验室文本分类数据中,对20000篇、8分类左右的数据的预测准确率在90%左右
  • 加入了Sogou实验室文本分类数据的导入器,可以进行更多的实验

     Fix Bugs:

  • 修正了chi-square在example调用中的一个错误

获取PyMining:

     于此处,可获取目前最新的0.2版

posted @ 2011-05-29 20:24 LeftNotEasy 阅读(...) 评论(...) 编辑 收藏