Datamatriisi XMTC-koneoppimismallien koulutukseen (TF-IDF) TNPP-lemmatisointiin perustuen (fi)

Datamatriisi XMTC-koneoppimismallien koulutukseen (TF-IDF) TNPP-lemmatisointiin (Turku Neural Parser Pipeline) perustuen. Perustuu suomenkieliseen korpukseen. Tekstimuotoinen data noudattaa The Extreme Classification Repositoryn käyttämää Bag-of-Words piirretiedostomuotoa (http://manikvarma.org/downloads/XC/XMLRepository.html).

Ensimmäisen rivin muotoilu on:

total_documents number_of_features number_of_labels

Muut rivit esittävät yhden dokumentin per rivi:

label1,label2,...,labelk ft1:ft1_val ft2:ft2_val ft3:ft3_val .. ftd:ftd_val

ts., pilkuin erotettu lista luokista, jota seuraa kaikki nollasta poikkeavat komponentit TF-IDF-vektorista esitettynä pareina component_number:value.