NLP数据集特点

     文本相对容易收集和存储，但属性个数可能要比基因数据中的属性个数更多。对于一些自然语言处理问题，属性是词，每一行对应一篇文档。属性矩阵中的每一个元素表示词在文档中的出现次数。列的数目对应于文档的词汇量大小。根据预处理情况（如移除常见的词，如a、and 以及of），最后的词汇量可能会从几千到数万。如果考虑n-gram，文本的属性矩阵会更加庞大。n-gram 是相邻的2 个、3 个或者4 个词，这些词的位置足够紧密甚至可以构成短语。在这种情况下，线性模型相对于复杂的集成方法，可能会产生相同甚至更好的性能。

常见的NLP数据集

更新……

对应案例下数据集可向博主索取！

1、生物数据集以及自然语言处理数据集

     一般是包含大量列的数据集，这些数据集虽然有很多样本，但往往也不足以训练好一个复杂模型。

1、生物数据集：在生物学里，基因数据集很容易就包含10,000 ～ 50,000 个属性。即使通过成百上千次的单个实验（数据的行），基因数据也不足以训练一个复杂的集成模型。线性模型可以给出等价甚至更好的性能。

(1)、基因数据很昂贵。一次实验（数据行）就可能花费$5,000 美元，整个数据集花费可能会达到5,000 万美元。

常见的使用案例

NLP：两种方法(自定义函数和封装函数)实现提取两人对话内容(***分隔txt文档)，并各自保存为txt文档https://yunyaniu.blog.csdn.net/article/details/80023364

NLP之WE之Skip-Gram：基于TF利用Skip-Gram模型实现词嵌入并进行可视化、过程全记录https://yunyaniu.blog.csdn.net/article/details/83059615

NLP之情感分析：基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)https://yunyaniu.blog.csdn.net/article/details/84864905