序列RapidMiner多滤波器

Question

我是RapidMiner...What的新手，我试图做的是，我有一个使用ProcessDocuments操作符(子任务)标记的10个文档列表，-> Tokenize...the结果是一个10×800示例集，包含10行(每个文档一行)和800个属性(每个令牌一个)。

现在我想过滤800个令牌，我再次使用ProcessDocuments运算符(子任务)-> filterbylength 在世界列表上生成，由以前的ProcessDocuments操作符...the结果是一个800×700矩阵. 800表示来自上一个ProcessDocuments操作符的800个令牌和700个减少的令牌集。

我想要实现的是一个10×700实例集，它可以传递给Kmeans集群运算符。我怎么能这么做？

谢谢

Answer 1

我不知道为什么要使用两个"Process“操作符，因为您可以在第一个操作符中添加"Tokenize”和"Filter Tokens (按长度计算)“，这将产生所需的结果。

这是一个很小的例子。

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<process version="5.3.005">
  <context>
    <input/>
    <output/>
    <macros/>
  </context>
  <operator activated="true" class="process" compatibility="5.3.005" expanded="true" name="Process">
    <process expanded="true">
      <operator activated="true" class="text:create_document" compatibility="5.3.000" expanded="true" height="60" name="Create Document" width="90" x="45" y="75">
        <parameter key="text" value="This is a test with a looooooooooong word"/>
      </operator>
      <operator activated="true" class="text:create_document" compatibility="5.3.000" expanded="true" height="60" name="Create Document (2)" width="90" x="45" y="165">
        <parameter key="text" value="Again a text which has anoooooooooooooother long word."/>
      </operator>
      <operator activated="true" class="text:process_documents" compatibility="5.3.000" expanded="true" height="112" name="Process Documents" width="90" x="313" y="75">
        <process expanded="true">
          <operator activated="true" class="text:tokenize" compatibility="5.3.000" expanded="true" height="60" name="Tokenize" width="90" x="45" y="30"/>
          <operator activated="true" class="text:filter_by_length" compatibility="5.3.000" expanded="true" height="60" name="Filter Tokens (by Length)" width="90" x="179" y="30">
            <parameter key="max_chars" value="10"/>
          </operator>
          <connect from_port="document" to_op="Tokenize" to_port="document"/>
          <connect from_op="Tokenize" from_port="document" to_op="Filter Tokens (by Length)" to_port="document"/>
          <connect from_op="Filter Tokens (by Length)" from_port="document" to_port="document 1"/>
          <portSpacing port="source_document" spacing="0"/>
          <portSpacing port="sink_document 1" spacing="0"/>
          <portSpacing port="sink_document 2" spacing="0"/>
        </process>
      </operator>
      <operator activated="true" class="k_means" compatibility="5.3.005" expanded="true" height="76" name="Clustering" width="90" x="447" y="75"/>
      <connect from_op="Create Document" from_port="output" to_op="Process Documents" to_port="documents 1"/>
      <connect from_op="Create Document (2)" from_port="output" to_op="Process Documents" to_port="documents 2"/>
      <connect from_op="Process Documents" from_port="example set" to_op="Clustering" to_port="example set"/>
      <connect from_op="Clustering" from_port="cluster model" to_port="result 1"/>
      <portSpacing port="source_input 1" spacing="0"/>
      <portSpacing port="sink_result 1" spacing="0"/>
      <portSpacing port="sink_result 2" spacing="0"/>
    </process>
  </operator>
</process>

Answer 2

我倾向于同意已经给出的答案；看起来它解决了这个问题，但是您可以做下面这样的事情。

• 使用WordList将800个单词列表转换为一个示例集，并将其转换为数据操作符。
• 使用“标称为文本”运算符将多标称word属性的类型更改为“文本”。
• 在文本属性上使用来自数据运算符的处理文档，并在其中按长度进行筛选。

我做了一些有点类似的这里

700字的限制将很难控制。在我看来，一个按长度排序的单词列表不太可能在700的时候被方便地切断。