用jupyter notebook训练好的word2vec模型被保存在哪里了

在使用Jupyter Notebook训练Word2Vec模型时，可以使用Python中的gensim库来完成。在训练完Word2Vec模型后，可以使用以下代码将模型保存到本地文件中：

model.save("word2vec.model")

这将把训练好的Word2Vec模型保存在当前目录下的"word2vec.model"文件中。如果你想要保存在其他目录，可以指定绝对路径。

之后，你可以使用以下代码从本地文件中加载模型：

from gensim.models import Word2Vec

model = Word2Vec.load("word2vec.model")

这将从本地文件中加载Word2Vec模型。请注意，加载模型时，需要确保模型文件存在，并且路径正确。

相关问题

jupyter notebook NLP

Jupyter Notebook是一款非常流行的交互式数据科学环境，它结合了代码编写、文本写作和可视化功能，特别适合自然语言处理（Natural Language Processing, NLP）的工作。在NLP中，Jupyter Notebook通常用于：

1. 数据预处理：清洗和整理文本数据，如去除标点、停用词、数字等，以及进行分词、词干提取或词形还原。

2. 特征工程：创建可用于训练模型的特征，比如词袋模型、TF-IDF、n-gram，或使用词嵌入（Word Embeddings）如Word2Vec、GloVe或BERT编码。

3. 模型实现：使用Python库如NLTK、spaCy、scikit-learn、TensorFlow或PyTorch构建和训练各种NLP模型，如情感分析、命名实体识别、机器翻译或文本分类。

4. 模型评估：通过交叉验证、混淆矩阵、精确率、召回率等指标评估模型性能，并对结果进行可视化。

5. 示例演示：Jupyter Notebook非常适合展示NLP算法的工作原理，包括模型的训练过程、预测示例和可视化结果。

6. 实践应用：对于研究者来说，还可以将Notebook作为报告的一部分，清晰地呈现他们的思考步骤和实验流程。

用jupyter notebook代码告诉我

在Jupyter Notebook中，你可以使用Python编写代码来展示垃圾邮件分类或影评情感分析的过程。这里是一个简化的示例：

**垃圾邮件分类 (using Scikit-Learn)**

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score

# 1. 数据读取
data = pd.read_csv('Spam_Email_Classification.csv')

# 2. 数据预处理
X = data['text']
y = data['label']

# 3. 划分数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 4. 特征工程
vectorizer = CountVectorizer()
X_train_vec = vectorizer.fit_transform(X_train)
X_test_vec = vectorizer.transform(X_test)

# 5. 模型训练 (朴素贝叶斯)
clf = MultinomialNB()
clf.fit(X_train_vec, y_train)

# 6. 预测和评估
y_pred = clf.predict(X_test_vec)
print("Accuracy:", accuracy_score(y_test, y_pred))

**影评情感分析 (using TextBlob and Scikit-Learn)**

from textblob import TextBlob
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression, SGDClassifier
from sklearn.metrics import classification_report

# 1. 数据预处理
reviews = open('影评数据1很差2较差3还行4推荐5力荐.txt', 'r').read().split('\n')
labels = [int(review.split()[0]) for review in reviews]

# 2. 数据集划分
train_reviews, test_reviews, train_labels, test_labels = train_test_split(reviews, labels, test_size=0.2)

# 3. 分词和数据向量化
def preprocess(text):
    return ' '.join(TextBlob(text).words)

X_train = [preprocess(review) for review in train_reviews]
X_test = [preprocess(review) for review in test_reviews]
vectorizer = TfidfVectorizer()
X_train_tfidf = vectorizer.fit_transform(X_train)
X_test_tfidf = vectorizer.transform(X_test)

# 4. 模型对比 (Logistic Regression & SGD Classifier)
models = {
    'Logistic Regression': LogisticRegression(),
    'SGD Classifier': SGDClassifier(loss='hinge', max_iter=100)
}

for model_name, model in models.items():
    model.fit(X_train_tfidf, train_labels)
    y_pred = model.predict(X_test_tfidf)
    print(f"{model_name}:\n{classification_report(test_labels, y_pred)}")