本文主要是介绍机器学习第六篇----FastText实践，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
最近在做对话机器人，使用了调研之后使用了fasttext，主要考虑对话机器人主要是短文本，而且与基于神经网络的文本分类算法相比它主要由两个优点
（1）首先FastText在保持高精度的同时极大地加快了训练速度和测试速度。
（2）再有就是不需要使用预先训练好的词向量，因为FastText会自己训练词向量
1.fasttext 安装：
pip install fasttext
2.fasttext 使用过程：
（1）中文对话不同于英文，英文的单词之间有空格，天然的分词。但是中文就不同，需要首先分词（这里不展开分词，后面写个专题吧）
# 使用的hanlp分词，去掉停用词（具体参考pyhanlp的用法）
NotionalTokenizer = JClass("com.hankcs.hanlp.tokenizer.NotionalTokenizer")
words = NotionalTokenizer.segment(text)
（2）fasttext 数据标注，fasttext 分类属于有监督学习（word2vec属于无监督学习），有监督学习首先需要进行文本标注
# 前面是__label__ + 标签，然后后面跟tab， 后面是分词之后的文本
__label__1 内容1
__label__2 内容2
__label__3 内容3
__label__4 内容4
（3）有了分类文本之后，开始训练模型，训练过程非常快
这篇关于机器学习第六篇----FastText实践的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
