Как разделить матрицу терминов документа для обучения

У меня есть матрица терминов документа, которую я хотел бы разделить на две части: один для обучения, а другой - для тестирования.

Я пробовал код ниже:

library(tm)

text.vector <- c("The quick brown dog",
"jumped over",
"the lazy fox",
"How now brown cow",
"The cow jumped over the moon")

text.corpus <- VCorpus(VectorSource(text.vector))
text.dtm <- DocumentTermMatrix(text.corpus)

set.seed(123)
train.vector <- sample(5,2,replace=F)
train.vector

train.boolean <- text.dtm$i %in% train.vector
train.boolean

text_train.dtm <- text.dtm[train.boolean,]
text_test.dtm <- text.dtm[!train.boolean,]

table(text.dtm$i)
table(text_train.dtm$i)
table(text_test.dtm$i)

text.dtm
text_train.dtm
text_test.dtm

Фактические результаты:

> table(text.dtm$i)

1 2 3 4 5 
4 2 3 4 5 
> table(text_train.dtm$i)

1 
5 
> table(text_test.dtm$i)

1 2 3 4 
4 2 3 4

Мои ожидаемые результаты - это матрица обучения с двумя документами (№2 и №4) и матрица тестирования из трех документов (№1, №3 и №5):

> table(text.dtm$i)

1 2 3 4 5 
4 2 3 4 5 
> table(text_train.dtm$i)

2 4 
2 4
> table(text_test.dtm$i)

1 3 5 
4 3 5

Может ли кто-нибудь помочь мне понять, почему это не работает? Спасибо.


r nlp corpus
person Stephen Clark    schedule 29.03.2019    source источник

Ответы (1)


arrow_upward
1
arrow_downward

Вы можете упростить свой код и просто подгруппировать информацию о позиции в dtm $ dimnames $ Documents

Надеюсь это поможет:

set.seed(123)
train.vector <- sample(5,2,replace=F)
train.vector

text_train.dtm <- text.dtm[text.dtm$dimnames$Docs %in% train.vector,]
text_test.dtm <- text.dtm[!(text.dtm$dimnames$Docs %in% train.vector),]

table(text.dtm$i)
1 2 3 4 5 
4 2 3 4 5 

table(text_train.dtm$i)
1 2 
2 4

table(text_test.dtm$i)
1 2 3 
4 3 5
person Dimitri Graf    schedule 05.04.2019