De fato foram ótimas dicas.
Só fiquei com uma dúvida: como controlar o AI::Categorizer para utilizar
como tokens mais de uma palavra?
[]'s
Alceu
Em 17-04-2013 12:22, Marcio Ferreira escreveu:
Falando ainda de matrix e comparações, 2 módulos que me ajudam muito e
poupam tempo
https://metacpan.org/module/List::Compare
https://metacpan.org/module/Algorithm::Combinatorics
Esse tipo de trabalho você precisa saber o que quer e ir construindo aos
poucos. E vai pegando essas manhas que o Stan citou.
Recomendo também distribuir o trabalho com
https://metacpan.org/module/Parallel::ForkManager, MAS cuidado!! Saiba
qual ponto distribuir.
O run_on_finish é útil usado com moderação, ele escreve no disco, aí
pode ser um baita gargalo =S.
Use um https://metacpan.org/module/Devel::NYTProf pra saber onde otimizar.
Stan++ #ótimo artigo!
[]s,
Marcio Ferreira
skype: marcio.ferreir4
(21) 8365-7768
2013/4/16 Stanislaw Pusep <creakt...@gmail.com <mailto:creakt...@gmail.com>>
Quanto ao módulo de stopwords em português, existe um, sim:
https://metacpan.org/module/Lingua::StopWords
Outra coisa interessante é aplicar um stemmer:
https://metacpan.org/module/Lingua::Stem::Snowball
Também vale notar uma técnica "ninja": quem disse que token precisa
corresponder a UMA palavra? Usando bi- ou tri-gramas, observei
aumento considerável na precisão da categorização de textos curtos.
Ah, um detalhe importantíssimo: para mensurar o desempenho dos
modelos estatísticos, é comum usar uma "matriz da confusão"
(https://en.wikipedia.org/wiki/Confusion_matrix).
Por fim, existem coisas prontas para análise de texto usando
Hadoop/Mahout: https://cwiki.apache.org/MAHOUT/twenty-newsgroups.html
=begin disclaimer
Sao Paulo Perl Mongers: http://sao-paulo.pm.org/
SaoPaulo-pm mailing list: SaoPaulo-pm@pm.org
L<http://mail.pm.org/mailman/listinfo/saopaulo-pm>
=end disclaimer