bayes_on_redis Clasificador bayesiano en la parte superior de Redis
Descargar ahora

bayes_on_redis Clasificación y resumen

bayes_on_redis Etiquetas

correo no deseado Filtrado de spam clasificador Bayesiano Clasificador bayesiano Filtrado de jamón

bayes_on_redis Descripción

Clasificador bayesiano en la parte superior de Redis bayes_on_redis es una biblioteca de Python que proporciona clasificación bayesiana en un texto dado similar a muchas técnicas de filtrado de spam / jamón. ¿Por qué en Redis? (http://code.google.com/p/redis) es una memoria persistente Base de datos con soportes para varias estructuras de datos, como listas, conjuntos y conjuntos pedidos. Todos estos tipos de datos se pueden manipular con operaciones atómicas para presionar / POP Elementos, agregar / eliminar elementos, realizar unión de servidor, intersección, diferencia entre los conjuntos, y así sucesivamente. Por encima de las propiedades de Redis: - Es extremadamente fácil implementar un algoritmo simple Como el filtro bayesiano.- La persistencia de REDIS significa que la implementación de Bayesia se puede utilizar en el entorno de producción real.- Aunque no me importa especialmente el desempeño en este momento. Redis Benchmarks Dame la confianza de que la implementación puede escalar a datos de capacitación relativamente grandes. ¿Cómo instalar? (Versión de Ruby) GEM Instale Bayes_On_Rediscetting iniciado: cree instancia de Bayesoneredis y pase su información de redis. # Por supuesto, use oraciones reales para una precisión mucho mejor. # A menos que si quiere entrenar las cosas relacionadas con el spam. Bor = Bayesoneredis.New (: Redis_Host => '127.0.0.1',: REDIS_PORT => 6379,: REDIS_DB => 5) - Enseñarlo Bor.train "Bien", "Dulce increíble kick-culo fresco bastante inteligente". Tren "Bad", "Sucks Lame Boo Death Muerte perdedor triste", luego pídale que clasifique el texto. Bor.classify ("Awesome Kick-Ass Ninja todavía puede ser cojo")) Para Pythonistasbayesoneredis también está disponible en Python. Con la misma api.contributingfork http://github.com/didip/bayes_on_redis y envíe las solicitudes de tracción. Requisitos: · Python

bayes_on_redis Software relacionado