juba
commented
3 months ago Bonjour,
Je ne vois rien de spécial dans votre paramétrage, à part peut-être la taille des segments. On dirait que très peu des documents du corpus sont découpés en au moins deux segments, du coup ça pourrait valoir le coup de diminuer la taille des segments, ou alors de ne pas segmenter du tout (vous pouvez tester les deux).
Concernant les classes que vous obtenez, elles sont dues à des artefacts liés à des termes très liés entre eux, comme "game changers" par exemple. Comme ils apparaissent tout le temps ensemble, ils arrivent à définir une (toute petite) classe à eux tous seuls.
Pour éviter ce problème vous pouvez :
- Augmenter la valeur de k pour explorer la classification avec plus de classes, voir si vos grosses classes se scindent en plusieurs dans les étapes suivantes
- Essayer de supprimer les termes trop associés, ou mieux de les regrouper entre eux pour faire par exemple de "the game changers" un seul terme
- Au pire, mettre à part les documents composants ces trois classes et faire la classification sur ceux qui restent
romane-lry
Bonjour @juba,
Merci pour ce package, j'essaie de l'utiliser sur un corpus de 1160 verbatims. Je n'obtiens cependant que deux classes dont une qui contient 77% du corpus.
Je joins mon code (qui suit votre tutoriel) ainsi que le résultat obtenu. Les choix de paramètres que j'ai fais sont peut-être peu judicieux?
Merci par avance,
Romane
text=verbatim$verbatim corpus <- VCorpus(VectorSource(clean_text)) corpus <- split_segments(corpus, segment_size = 40)
tok <- tokens(corpus, remove_punct = TRUE, remove_numbers = TRUE) tok <- tokens_remove(tok, stopwords("fr")) tok <- tokens_tolower(tok) dtm <- dfm(tok)
dtm <- dfm_trim(dtm, min_docfreq = 3)
res <- rainette(dtm, k = 5, min_segment_size = 10, min_split_members = 10) rainette_explor(res, dtm, corpus)