Stemming: Memangkas hingga ke Akar
Memetakan running dan runs menjadi run
Stemming: Memangkas hingga ke Akar adalah pelajaran NLP Academy gratis di CoddyKit. Ini adalah pelajaran 3 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar NLP Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus NLP Academy mencakup 4 pelajaran total.
Satu Kata, Banyak Bentuk
Kata kerja run muncul sebagai running, runs, dan ran. Bagi Anda, semuanya memiliki makna yang sama, tetapi teks mentah menghitung masing-masing secara terpisah sehingga sinyal terpecah. 🌱
Memperkenalkan Stemming
Stemming memotong akhiran kata untuk mendapatkan akar kasar yang disebut stem. Tujuannya adalah menggabungkan bentuk-bentuk yang berkaitan menjadi satu token bersama.
Aturan, Bukan Kamus
Stemmer mengikuti aturan akhiran sederhana, bukan mencari kata di dalam kamus. Stemmer menghapus akhiran seperti ing, ed, dan s, sehingga cepat tetapi agak kasar.
Porter Stemmer
NLTK menyediakan PorterStemmer klasik. Anda membuat satu instans, lalu memanggil method stem miliknya pada kata apa pun yang ingin Anda sederhanakan.
from nltk.stem import PorterStemmer
ps = PorterStemmer()
print(ps.stem('running'))Berbagai Bentuk Menyatu
Masukkan beberapa bentuk dari kata kerja yang sama dan semuanya akan disederhanakan menjadi stem yang sama. Kini jumlahnya akhirnya dapat dijumlahkan.
for w in ['running', 'runs', 'ran']:
print(ps.stem(w))Stem Bukan Kata Sebenarnya
Stemming bekerja secara kasar. Kata studies menjadi studi, yang bukan kata sebenarnya, tetapi tetap cocok dengan study dan studied sebagai satu stem.
print(ps.stem('studies'))Waspadai Stemming Berlebihan
Terkadang stemmer memotong terlalu jauh dan menggabungkan kata-kata yang tidak berkaitan. Stemming berlebihan ini dapat mengaburkan makna, jadi selalu periksa kewajaran hasilnya pada teks Anda.
print(ps.stem('universal'))
print(ps.stem('university'))Lakukan Stemming pada Daftar Token
Dalam praktiknya, Anda melakukan stemming pada setiap token dalam dokumen. Sebuah pemahaman menerapkan stemmer ke seluruh daftar dalam satu baris yang rapi.
words = ['cats', 'caring', 'cared']
print([ps.stem(w) for w in words])Stemmer Lain Juga Ada
Porter adalah bawaan default, tetapi NLTK juga menawarkan SnowballStemmer yang lebih gesit, mendukung banyak bahasa, dan memperbaiki beberapa keterbatasan Porter.
from nltk.stem import SnowballStemmer
sb = SnowballStemmer('english')
print(sb.stem('happily'))Ubah ke Huruf Kecil Dahulu
Stemmer mengharapkan input dalam huruf kecil. Samakan huruf besar-kecil sebelum melakukan stemming, atau Running dan running dapat kembali dianggap sebagai dua token yang berbeda.
print(ps.stem('Running'.lower()))Kapan Menggunakannya
Stemming menukar ketepatan dengan kecepatan. Teknik ini unggul dalam pencarian dan pipeline besar ketika kecocokan yang kasar tetapi cepat lebih berguna daripada analisis yang lambat dan tepat. ⚡
Pemeriksaan Singkat
Mari kita pastikan cara kerja stemming.
Rangkuman
Anda belajar bahwa stemming memotong akhiran dengan aturan sederhana untuk menggabungkan berbagai bentuk kata menjadi satu stem. Teknik ini cepat dan kasar, dan terkadang menghasilkan bentuk yang bukan kata. Kerja bagus! 🎉
Belajar Python dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Stemming: Memangkas hingga ke Akar” gratis?
Ya — teks lengkap “Stemming: Memangkas hingga ke Akar” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus NLP Academy, upgrade ke CoddyKit PRO. Kursus NLP Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Stemming: Memangkas hingga ke Akar”?
Memetakan running dan runs menjadi run Kamu berlatih NLP Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai NLP Academy?
Tidak diperlukan pengalaman sebelumnya. NLP Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 3 dari 4.
Berapa lama pelajaran “Stemming: Memangkas hingga ke Akar” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran NLP Academy ini?
Ya. Setiap pelajaran NLP Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Mengapa Kapitalisasi dan Spasi Penting
- Mengubah ke Huruf Kecil dan Menghapus Spasi
- Stemming: Memangkas hingga ke Akar
- Lematisasi: Bentuk Dasar yang Lebih Cerdas