문서의 행렬 표현
문서를 분류하려면 문서를 기술하는 표현을 문서로부터 추출하고, 이로부터 분류를 예측하는 알고리즘을 만들어야 한다. 문서의 행렬 표현 방식은 이러한 목적으로 가장 많이 사용되는 기법이다.
단어-문서 행렬과 문서-단어 행렬
단어와 문서의 행렬로 Corpus를 표현하려고 할 때는 TermDocumentMatrix( ) 또는 DocumentTermMatrix( )를 사용한다. 이들 중 TermDocumentMatrix( )는 주어진 문서들로부터 단어를 행, 문서를 열로 하는 행렬을 만든다. 반대로 DocumentTermMatrix( )는 문서를 행, 단어를 열로 표현한다.
|
tm::TermDocumentMatrix : 코퍼스로부터 단어-문서 행렬을 만든다. |
tm::TermDocumentMatrix( x, # 코퍼스 # 제어 옵션 # - bounds: 태그가 global인 리스트로 단어의 최소, 최대 허용 출현 횟수를 지정한다. # 예를 들어, list(global=c(3, 10))은 3회 미만 또는 10회 이상 발견된 단어를 제외한다. # 기본값은 모든 단어를 포함시키는 list(global=c(1, Inf))다. # - weighting: 행렬의 각 셀에 저장할 값을 계산하는 가중치 함수를 지정한다. 기본값은 단어의 # 출현 횟수를 세는 weightTf다. # 이외에도 weightTfIdf, weightBin, weightSMART를 지정할 수 있다. control=list(), ... # weighting에 추가로 넘겨줄 인자 ) 반환 값은 단어-문서 행렬이다. |
|
tm::DocumentTermMatrix : 코퍼스로부터 문서-단어 행렬을 만든다. |
tm::DocumentTermMatrix( x, # 코퍼스 # control과 ...의 의미는 TermDocumentMatrix()와 같다. control=list(), ..., ) 반환 값은 문서-단어 행렬이다. |