java – 如何从文本文档中预测连续值(时间)？

这是一个使用scikit-learn(*)拟合线性回归模型的骨架脚本：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import SGDRegressor

# build a term-document matrix with tf-idf weights for the terms
vect = TfidfVectorizer(input="filename")
Xtrain = vect.fit_transform(documents)         # documents: list of filenames

# now set ytrain to a list of durations,such that ytrain[i] is the duration
# of documents[i]
ytrain = ...

# train a linear regression model using stochastic gradient descent (SGD)
regr = SGDRegressor()
regr.fit(Xtrain,ytrain)

而已.如果您现在有想要预测感兴趣持续时间的新文档,请执行此操作

Xtest = vect.transform(new_documents)
ytest = regr.predict(Xtest)

这是一个简单的线性回归.实际上,我希望兴趣持续时间不是文本内容的线性函数,但这可能会让你开始.下一步是拿起任何有关机器学习或统计数据的教科书来处理更高级的回归模型.

(*)我是这个项目的贡献者,所以这不是公正的建议.几乎任何半体面的机器学习工具包都有线性回归模型.