Erste Schritte mit der Text Analytics Toolbox

Der Prozess des semantischen Text-Minings zur Extraktion latenter Informationen aus verschiedenen Dokumenttypen

Text Analytics Toolbox™ umfasst Algorithmen und Visualisierungen zur Vorverarbeitung, Analyse und Modellierung von Textdaten. Mit der Toolbox erstellte Modelle können in Anwendungen wie Sentiment-Analyse, Predictive Maintenance und Themenmodellierung verwendet werden.

Weitere Informationen

Funktionsname	Beschreibung
`wordcloud`	Erstellen eines Wortwolken-Diagramms aus einem Bag-of-Words- oder LDA-Modell
`wordCloudCounts`	Wortzählung für die Erstellung einer Wortwolke
`textscatter`	2D-Steudiagramm für Text
`textscatter3`	3D-Steudiagramm für Text
`heatmap`	Erstellen eines Heatmap-Diagramms
`histcounts`	Histogramm-Klassenhäufigkeiten
`discretize`	Gruppieren von Daten in Bins oder Kategorien

Visualisieren

Verwenden Sie Wortwolken und Text-Streudiagramme, um Ergebnisse zusammenzufassen und zu validieren.

Modellierung und Vorhersage

Wandeln Sie Text mithilfe von Bag-of-Words- oder vortrainierten Word-Embedding-Modellen in numerische Darstellungen um und wenden Sie spezielle Machine-Learning-Algorithmen für Vorhersagen und Themenmodellierung an.

Funktionsname	Beschreibung
`readWordEmbedding`	Einlesen von Word-Embedding aus Textdatei
`trainWordEmbedding`	Trainieren von Word-Embedding
`word2vec/vec2word`	Zuordnen von Wörtern zu Embedding-Vektoren
`ldaModel`	Latent-Dirichlet-Allocation (LDA)-Modell
`lsaModel`	Latent-Semantic-Analysis (LSA)-Modell
`bagOfWords`	Bag-of-Words-Modell
`fitlda`	Anpassen eines Latent-Dirichlet-Allocation (LDA)-Modells
`fitlsa`	Anpassen eines Latent-Semantic-Analysis (LSA)-Modells
`predict`	Vorhersage der wichtigsten LDA-Themen von Dokumenten
`fitdist`	Anpassen eines Wahrscheinlichkeitsverteilungsobjekts an Daten
`fitrlinear`	Anpassen eines linearen Regressionsmodells an hochdimensionale Daten
`fitclinear`	Anpassen eines linearen Klassifizierungsmodells an hochdimensionale Daten
`fitcecoc`	Anpassen von Multiklassenmodellen für Klassifikatoren

Funktionsname	Beschreibung
`extractFileText`	Lesen aus PDF-, Microsoft Word- und Klartext-Dateien
`textscan`	Lesen von formatierten Daten aus einer Textdatei oder einer Zeichenfolge
`readtable`	Tabelle aus einer Datei erstellen
`compose`	Umwandeln von Daten in ein formatiertes Zeichenfolgen-Array
`xlsread`	Lesen von Microsoft Excel-Tabellenkalkulationsdatei
`webread`	Lesen von Inhalt aus RESTful-Webservice
`TabularTextDatastore`	Datastore für tabellarische Textdateien
`FileDatastore`	Datastore mit benutzerdefiniertem Dateileser
`SpreadsheetDatastore`	Datastore für Tabellenkalkulationsdateien

Symbole für PDF-, Text- und Tabellenkalulationsdateien

Import

Extrahieren von Text aus Microsoft^® Word^®-Dateien, PDF-Dateien, Textdateien und Tabellenkalkulationen.

Vorverarbeitung

Entfernen von weniger hilfreichen Artefakten wie häufig vorkommende Wörter, Satzzeichen und URLs und Anwendung von Textnormalisierung, um Wörter auf ihren Wortstamm zurückzuführen.

Funktionsname	Beschreibung
`tokenizedDocument`	Aufteilen von Dokumenten in Wortsammlungen
`normalizeWords`	Entfernen von Wortendungen mithilfe von Porter-Stemmer
`bagOfWords`	Bag-of-Words-Modell
`stopWords`	Liste mit Stoppwörtern
`context`	Durchsuchen von Dokumenten nach Wortvorkommen im Kontext
`removeWords`	Entfernen ausgewählter Wörter aus Dokument oder Bag-of-Words
`removeLongWords`	Entfernen langer Wörter aus Dokumenten oder Bag-of-Words
`removeShortWords`	Entfernen kurzer Wörter aus Dokumenten oder Bag-of-Words
`removeInfrequentWords`	Entfernen von selten vorkommenden Wörtern aus einem Bag-of-Words-Modell
`erasePunctuation`	Löschen von Satzzeichen aus Text und Dokumenten

Funktionsname	Beschreibung
`str = "Hello, world"`	Deklarieren einer Zeichenfolgen-Variablen
`str = ["Hello","World"]`	Deklarieren eines Zeichenfolgen-Arrays
`str = string(C)`	Umwandeln eines Zeichenvektors C in eine Zeichenfolge
`str2double`	Umwandeln einer Zeichenfolge in Double-Zahlen
`strlength`	Rückgeben der Länge von Zeichenfolgen
`isstring`	Bestimmen, ob der Input ein Zeichenfolgen-Array ist
`join`	Kombinieren von Zeichenfolgen
`split`	Aufteilen von Zeichenfolgen in einem Zeichenfolgen-Array
`splitlines`	Aufteilen einer Zeichenfolge an Zeilenumbruchzeichen
`replace`	Finden und Ersetzen von Teilzeichenfolgen in einem Zeichenfolgen-Array
`contains`	Bestimmen, ob ein Muster in einer Zeichenfolge enthalten ist
`erase`	Löschen von Teilzeichenfolgen innerhalb von Zeichenfolgen
`extractBetween`	Extrahieren von Teilzeichenfolgen zwischen Indikatoren
`extractAfter`	Extrahieren von Teilzeichenfolgen nach der angegebenen Position
`extractBefore`	Extrahieren von Teilzeichenfolgen vor der angegebenen Position
`strcmp`	Vergleichen von Zeichenfolgen
`regexp`	Regulären Ausdruck abgleichen (Groß-/Kleinschreibung beachten)

String

Effizientes Bearbeiten, Vergleichen und Speichern von Textdaten.