Preparar tus datos de entrenamiento

El producto AutoML Natural Language está disponible en la plataforma de Vertex AI. Migra tus recursos a texto de AutoML de AI Vertex para obtener nuevas características de aprendizaje automático, simplificar los recorridos de extremo a extremo y producir modelos con MLOps.

Para entrenar tu modelo personalizado, proporciona muestras representativas del tipo de documentos que deseas analizar, etiquetados de la manera en que deseas que AutoML Natural Language etiquete documentos similares. La calidad de los datos de entrenamiento tiene un gran impacto en la eficacia del modelo que creas y, por extensión, en la calidad de las predicciones que muestra ese modelo.

Nota: Puedes usar el Servicio de etiquetado de datos de AI Platform para solicitar el etiquetado a profesionales humanos.

Recopilar y etiquetar documentos de entrenamiento

El primer paso es recopilar un conjunto diverso de documentos de entrenamiento que reflejen la variedad de documentos que deseas que procese el modelo personalizado. Los pasos de preparación de los documentos de entrenamiento varían según si estás entrenando un modelo para la clasificación, la extracción de entidades o el análisis de opiniones.

Clasificación

Para los modelos de clasificación, tus datos de entrenamiento constan de documentos y las categorías de clasificación que se aplican a esos documentos.

• Documentos Debes proporcionar entre 20 y 1,000,000 de documentos de entrenamiento con el contenido que se usará para entrenar tu modelo personalizado. Los documentos pueden estar en formato de texto, PDF o TIFF, o comprimidos en un archivo ZIP.
• Etiquetas de categorías Debes proporcionar entre 2 y 5,000 etiquetas únicas. Debes aplicar cada etiqueta a, por lo menos, 10 documentos.

Proporciona datos de entrenamiento de calidad

• Trata de que tus datos de entrenamiento sean tan variados como los datos sobre los cuales se harán las predicciones. Incluye documentos de diferentes longitudes, de distintos autores, que contengan diferentes palabras o estilos, etcétera.
• Usa documentos que un lector humano pueda clasificar fácilmente. Por lo general, los modelos de AutoML Natural Language no pueden predecir las etiquetas que las personas no pueden asignar. Por lo tanto, si no es posible entrenar a un humano para asignar una etiqueta cuando lee un documento, es probable que tu modelo tampoco pueda hacerlo.
• Cuando utilices la clasificación de varias etiquetas, aplica todas las etiquetas relevantes a cada documento. Por ejemplo, si etiquetas documentos que proporcionan detalles sobre productos farmacéuticos, es posible que tengas etiquetas para Dosage y Side Effects. Si un documento incluye ambos tipos de información, asegúrate de aplicar ambas etiquetas.
• Te recomendamos que proporciones la mayor cantidad posible de documentos de entrenamiento por etiqueta. El número mínimo de documentos por etiqueta es de 10. Sin embargo, puedes mejorar las puntuaciones de confianza de tu modelo con más ejemplos por etiqueta. Las mejores puntuaciones de confianza son especialmente útiles en los casos en que tu modelo muestra varias etiquetas cuando clasifica un documento. Entrena un modelo mediante 50 ejemplos por etiqueta y evalua los resultados. Agrega más ejemplos y vuelve a entrenar hasta alcanzar tus objetivos de precisión, lo que puede requerir cientos o incluso 1,000 ejemplos por etiqueta.
• El modelo funciona mejor cuando hay, como máximo, 100 veces más documentos para la etiqueta más común que para la etiqueta menos común. Te recomendamos que quites las etiquetas de frecuencia muy baja.
• Considera incluir una etiqueta None_of_the_above para los documentos que no coincidan con ninguna de las etiquetas definidas. Por ejemplo, si solo etiquetaste documentos sobre arte y entretenimiento, pero tu conjunto de datos contiene documentos acerca de otros temas, como deportes o tecnología, etiqueta los documentos sobre otras temáticas como None_of_the_above. Sin esa etiqueta, el modelo entrenado intentará asignar todos los documentos a una de las etiquetas definidas, incluso aquellos documentos para los cuales esas etiquetas no son adecuadas. Puedes usar una etiqueta con un nombre diferente que tenga el mismo significado que None_of_the_above.

  Consulta la siguiente sección si tienes mucho contenido de None_of_the_above.

Trabajar con documentos "fuera de dominio"

Supongamos que tu plan a largo plazo es entrenar un modelo que clasifique documentos corporativos según el tipo de documento (factura, plan de negocios, documento de una política, acuerdo de confidencialidad, etcétera). Existen miles de tipos de documentos, pero para fines de prueba, se recomienda comenzar por entrenar un modelo que identifique 100 tipos, con planes para entrenar modelos más integrales en el futuro. Durante esta etapa inicial, la mayoría de los documentos enviados para la clasificación estarán “fuera de dominio” para el conjunto de etiquetas inicial; es decir, son tipos de documentos que no pertenecen a los 100 tipos iniciales. Si entrenas un modelo con las 100 etiquetas iniciales y lo usas con todos tus documentos, el modelo intentará clasificar los documentos “fuera del dominio” con una de las etiquetas existentes, lo que reduce la exactitud.

En las situaciones en las que esperas que tu conjunto de etiquetas se expanda con el tiempo, te recomendamos entrenar dos modelos con el conjunto de etiquetas inicial más pequeño:

• Modelo de clasificación: Es un modelo que clasifica documentos con el conjunto actual de etiquetas
• Modelo de filtro: Es un modelo que predice si un documento se ajusta al conjunto actual de etiquetas o si está “fuera de dominio”

Primero, envía cada documento al modelo de filtrado y solo envía documentos al modelo de clasificación que esté "en el dominio"

Con el ejemplo descrito anteriormente, el modelo de clasificación identifica el tipo de documento y el modelo de filtrado realiza una predicción binaria sobre si un documento pertenece a alguno de los 100 tipos para los que el modelo de clasificación tiene etiquetas.

A fin de entrenar el modelo de filtro, usa el mismo conjunto de documentos que utilizaste para el modelo de clasificación, pero etiqueta cada documento como “en dominio”, en lugar de usar una etiqueta específica del conjunto. Agrega una cantidad equivalente de documentos para los que el conjunto de etiquetas actual no sea apropiado y etiquételos como “fuera de dominio”.

Extracción de entidades

Para entrenar un modelo de extracción de entidades, proporciona muestras representativas del tipo de contenido que deseas analizar, anotadas con etiquetas que identifiquen los tipos de entidades que deseas que AutoML Natural Language identifique.

Proporciona entre 50 y 100,000 documentos para usarlos en el entrenamiento de tu modelo personalizado. Usa entre 1 y 100 etiquetas únicas para anotar las entidades que deseas que el modelo aprenda a extraer. Cada anotación es un intervalo de texto y una etiqueta asociada. Los nombres de las etiquetas pueden tener entre 2 y 30 caracteres, y se pueden usar para anotar entre 1 y 10 palabras. Recomendamos usar cada etiqueta al menos 200 veces en tu conjunto de datos de entrenamiento.

Si anotas un tipo de documento estructurado o semiestructurado, como facturas o contratos, AutoML Natural Language puede considerar la posición de una anotación en la página como un factor que contribuye a la asignación de la etiqueta adecuada. Por ejemplo, un contrato de bienes raíces tiene una fecha de aceptación y una de cierre, y AutoML Natural Language puede aprender a distinguir entre las entidades según la posición espacial de la anotación.

Dar formato a los documentos de entrenamiento

Los datos de entrenamiento se suben en AutoML Natural Language como archivos JSONL que contienen los documentos de muestra. Cada línea del archivo es un único documento de entrenamiento, especificado en una de dos formas:

• El contenido completo del documento, con una longitud de entre 10 y 10,000 bytes (codificación UTF-8)
• El URI de un archivo PDF o TIFF de un bucket de Cloud Storage asociado al proyecto

La consideración de la posición espacial solo está disponible para los documentos de entrenamiento en formato PDF.

Puedes anotar los documentos de texto de tres maneras:

• Anotar los archivos JSONL directamente antes de subirlos
• Agregar anotaciones en la IU de AutoML Natural Language después de subir los documentos sin anotaciones
• Solicitar el etiquetado a personas mediante el Servicio de etiquetado de datos de AI Platform

Puedes combinar las dos primeras opciones subiendo archivos JSONL etiquetados y modificándolos en la IU.

Solo puedes anotar archivos PDF con la IU de AutoML Natural Language.

Documentos JSONL

Para ayudarte a crear archivos de entrenamiento JSONL, AutoML Natural Language ofrece una secuencia de comandos de Python que convierte archivos de texto sin formato en archivos JSONL con el formato adecuado. Mira los comentarios en la secuencia de comandos para obtener más detalles.

Cada documento del archivo JSONL tiene uno de los siguientes formatos:

Cada documento debe ocupar una línea en el archivo JSONL. El siguiente ejemplo incluye saltos de línea para facilitar la lectura. Es necesario quitarlos en el archivo JSONL. Para obtener más información, consulta http://jsonlines.org/.

Para los documentos no anotados:

{
  "text_snippet":
    {"content": string}
}

Para los documentos anotados:

{
  "annotations": [
     {
      "text_extraction": {
         "text_segment": {
            "end_offset": number, "start_offset": number
          }
       },
       "display_name": string
     },
     {
       "text_extraction": {
          "text_segment": {
             "end_offset": number, "start_offset": number
           }
        },
        "display_name": string
     },
   ...
  ],
  "text_snippet":
    {"content": string}
}

Cada elemento text_extraction identifica una anotación dentro de text_snippet.content. Indica la posición del texto anotado mediante la especificación del número de caracteres desde el comienzo de text_snippet.content hasta el principio (start_offset) y el final (end_offset) del texto; display_name es la etiqueta de la entidad.

Tanto start_offset como end_offset son compensaciones de caracteres en lugar de bytes. El carácter de end_offset no está incluido en el segmento de texto. Consulta TextSegment para obtener más detalles. Los elementos text_extraction son opcionales. Puedes omitirlos si planeas anotar el documento con la IU de AutoML Natural Language. Cada anotación puede abarcar hasta diez tokens (palabras). No pueden superponerse. El start_offset de una anotación no puede estar entre el start_offset y el end_offset de otra anotación en el mismo documento.

Por ejemplo, este documento de entrenamiento de ejemplo identifica las enfermedades específicas mencionadas en un resumen del corpus del NCBI.

{
  "annotations": [
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 67,
          "start_offset": 62
        }
      },
      "display_name": "Modifier"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 158,
          "start_offset": 141
        }
      },
      "display_name": "SpecificDisease"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 330,
          "start_offset": 290
        }
      },
      "display_name": "SpecificDisease"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 337,
          "start_offset": 332
        }
      },
      "display_name": "SpecificDisease"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 627,
          "start_offset": 610
        }
      },
      "display_name": "Modifier"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 754,
          "start_offset": 749
        }
      },
      "display_name": "Modifier"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 875,
          "start_offset": 865
        }
      },
      "display_name": "Modifier"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 968,
          "start_offset": 951
        }
      },
      "display_name": "Modifier"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 1553,
          "start_offset": 1548
        }
      },
      "display_name": "Modifier"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 1652,
          "start_offset": 1606
        }
      },
      "display_name": "CompositeMention"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 1833,
          "start_offset": 1826
        }
      },
      "display_name": "DiseaseClass"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 1860,
          "start_offset": 1843
        }
      },
      "display_name": "SpecificDisease"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 1930,
          "start_offset": 1913
        }
      },
      "display_name": "SpecificDisease"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 2129,
          "start_offset": 2111
        }
      },
      "display_name": "SpecificDisease"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 2188,
          "start_offset": 2160
        }
      },
      "display_name": "SpecificDisease"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 2260,
          "start_offset": 2243
        }
      },
      "display_name": "Modifier"
    },
    {
      "text_extraction": {
        "text_segment": {
          "end_offset": 2356,
          "start_offset": 2339
        }
      },
      "display_name": "Modifier"
    }
  ],
  "text_snippet": {
    "content": "10051005\tA common MSH2 mutation in English and North American HNPCC families:
      origin, phenotypic expression, and sex specific differences in colorectal cancer .\tThe
      frequency , origin , and phenotypic expression of a germline MSH2 gene mutation previously
      identified in seven kindreds with hereditary non-polyposis cancer syndrome (HNPCC) was
      investigated . The mutation ( A-- > T at nt943 + 3 ) disrupts the 3 splice site of exon 5
      leading to the deletion of this exon from MSH2 mRNA and represents the only frequent MSH2
      mutation so far reported . Although this mutation was initially detected in four of 33
      colorectal cancer families analysed from eastern England , more extensive analysis has
      reduced the frequency to four of 52 ( 8 % ) English HNPCC kindreds analysed . In contrast ,
      the MSH2 mutation was identified in 10 of 20 ( 50 % ) separately identified colorectal
      families from Newfoundland . To investigate the origin of this mutation in colorectal cancer
      families from England ( n = 4 ) , Newfoundland ( n = 10 ) , and the United States ( n = 3 ) ,
      haplotype analysis using microsatellite markers linked to MSH2 was performed . Within the
      English and US families there was little evidence for a recent common origin of the MSH2
      splice site mutation in most families . In contrast , a common haplotype was identified
      at the two flanking markers ( CA5 and D2S288 ) in eight of the Newfoundland families .
      These findings suggested a founder effect within Newfoundland similar to that reported by
      others for two MLH1 mutations in Finnish HNPCC families . We calculated age related risks
      of all , colorectal , endometrial , and ovarian cancers in nt943 + 3 A-- > T MSH2 mutation
      carriers ( n = 76 ) for all patients and for men and women separately . For both sexes combined ,
      the penetrances at age 60 years for all cancers  and for colorectal cancer were 0 . 86 and 0 . 57 ,
      respectively . The risk of colorectal cancer was significantly higher ( p < 0.01 ) in males
      than females ( 0 . 63 v 0 . 30 and 0 . 84 v 0 . 44 at ages 50 and 60 years , respectively ) .
      For females there was a high risk of endometrial cancer ( 0 . 5 at age 60 years ) and premenopausal
      ovarian cancer ( 0 . 2 at 50 years ) . These intersex differences in colorectal cancer risks
      have implications for screening programmes and for attempts to identify colorectal cancer
      susceptibility modifiers .\n "
  }
}

Un archivo JSONL puede contener varios documentos de entrenamiento con esta estructura, uno en cada línea del archivo.

Documentos PDF o TIFF

Para subir un archivo PDF o TIFF como documento, ajusta la ruta del archivo dentro de un elemento document JSONL:

Cada documento debe ocupar una línea en el archivo JSONL. El siguiente ejemplo incluye saltos de línea para facilitar la lectura. Es necesario quitarlos en el archivo JSONL. Para obtener más información, consulta http://jsonlines.org/.

{
  "document": {
    "input_config": {
      "gcs_source": {
        "input_uris": [ "gs://cloud-ml-data/NL-entity/sample.pdf" ]
      }
    }
  }
}
        

El valor del elemento input_uris es la ruta de acceso a un archivo PDF o TIFF en un depósito de Cloud Storage asociado con tu proyecto. El tamaño máximo del archivo PDF o TIFF es de 2 MB.

Análisis de opiniones

Para entrenar un modelo de análisis de opiniones, proporciona muestras representativas del tipo de contenido que deseas que AutoML Natural Language analice, cada una etiquetada con un valor que indique qué tan positiva es la opinión dentro del contenido.

La puntuación de la opinión es un número entero que va de 0 (relativamente negativo) a un valor máximo de tu elección (positivo). Por ejemplo, si deseas identificar si la opinión es negativa, positiva o neutra, debes etiquetar los datos de entrenamiento con puntuaciones de opinión de 0 (negativo), 1 (neutral) y 2 (positivo). La puntuación de opinión máxima (sentiment_max) para el conjunto de datos es 2. Si deseas lograr un mayor nivel de detalle con cinco niveles de opinión, debes etiquetar los documentos con la opinión más negativa como 0 y usar 4 para la opinión más positiva. La puntuación de opinión máxima (sentiment_max) para el conjunto de datos es 4.

Los valores de la puntuación de opinión deben ser números enteros consecutivos a partir de cero. Si las puntuaciones tienen brechas o no comienzan desde cero, reasigna las puntuaciones a números enteros consecutivos a partir de cero.

Para obtener mejores resultados, asegúrate de que tus datos de entrenamiento incluyan una cantidad equilibrada de documentos con cada puntuación de opinión; tener más ejemplos de puntuaciones de opiniones específicas puede introducir sesgo en el modelo. Recomendamos proporcionar al menos 100 documentos por valor de opinión.

Importar documentos de entrenamiento

Puedes importar datos de entrenamiento en AutoML Natural Language mediante un archivo CSV en el que se enumeren los documentos y, opcionalmente, que incluya sus etiquetas de categoría o valores de opinión. AutoML Natural Language crea un conjunto de datos a partir de los documentos enumerados.

Datos de entrenamiento y de evaluación

AutoML Natural Language divide los documentos de entrenamiento en tres conjuntos para entrenar un modelo: un conjunto de entrenamiento, un conjunto de validación y un conjunto de prueba.

AutoML Natural Language usa el conjunto de entrenamiento para crear el modelo. El modelo prueba múltiples algoritmos y parámetros mientras busca patrones en los datos de entrenamiento. A medida que el modelo identifica patrones, usa el conjunto de validación para probar los algoritmos y patrones. AutoML Natural Language elige los algoritmos y patrones con mejor rendimiento de aquellos identificados durante la etapa de entrenamiento.

Después de identificar los patrones y algoritmos con mejor rendimiento, AutoML Natural Language los aplica al conjunto de pruebas para evaluar la tasa de error, la calidad y la exactitud.

De forma predeterminada, AutoML Natural Language divide los datos de entrenamiento de forma aleatoria en los tres conjuntos:

• El 80% de los documentos se usan para el entrenamiento.
• El 10% de los documentos se utilizan para la validación (ajuste de hiperparámetros o para decidir cuándo detener el entrenamiento).
• El 10% de los documentos se reservan para pruebas (no se usan durante el entrenamiento).

Si deseas especificar a qué conjunto debe pertenecer cada documento de tus datos de entrenamiento, puedes asignar explícitamente los documentos a los conjuntos en el archivo CSV como se describe en la siguiente sección.

Crear un archivo CSV de importación

Una vez que hayas recopilado todos tus documentos de entrenamiento, crea un archivo CSV en el que se enumeren todos. El archivo CSV puede tener cualquier nombre de archivo, debe estar codificado en UTF-8 y debe terminar con la extensión .csv. Debe almacenarse en el bucket de Cloud Storage asociado con su proyecto.

El archivo CSV tiene una fila para cada documento de entrenamiento y las siguientes columnas en cada fila:

1. A qué conjunto asignar el contenido de esta fila. Esta columna es opcional y puede ser uno de los siguientes valores:

   • TRAIN: Usa el document para entrenar el modelo.
   • VALIDATION: Usa el document para validar los resultados que muestra el modelo durante el entrenamiento.
   • TEST: Usa el document para verificar los resultados del modelo después de entrenarlo.

   Si incluyes valores en esta columna para especificar los conjuntos, te recomendamos que identifiques, al menos, el 5% de tus datos para cada categoría. El uso de menos del 5% de tus datos para el entrenamiento, la validación o las pruebas puede producir resultados inesperados y modelos ineficaces.

   Nota: Si asignas explícitamente algún documento a los conjuntos ENTRENAMIENTO, VALIDACIÓN o PRUEBA, debes asignar explícitamente todos los documentos. AutoML Natural Language asigna de forma automática los documentos solo cuando ninguno de ellos se asignó explícitamente a un conjunto.

   Si no incluyes valores en esta columna, comienza cada fila con una coma para indicar que la primera columna está vacía. AutoML Natural Language divide de forma automática tus documentos en tres conjuntos: aproximadamente el 80% de los datos para entrenamiento, el 10% para validación y el 10% para pruebas (hasta 10,000 pares para validación y pruebas).

2. El contenido a clasificar. Esta columna contiene el URI de Cloud Storage para el documento. Los URI de Cloud Storage distinguen entre mayúsculas y minúsculas.

   Para la clasificación y el análisis de opiniones, el documento puede ser un archivo de texto, un archivo PDF, un archivo TIFF o un archivo ZIP; para la extracción de entidades, es un archivo JSONL.

   Para la clasificación y el análisis de opiniones, el valor de esta columna puede ser texto en línea entrecomillado en lugar de un URI de Cloud Storage.

3. Para los conjuntos de datos de clasificación, tienes la opción de incluir una lista de etiquetas separadas por comas que identifican cómo se categoriza el documento. Las etiquetas deben comenzar con una letra, y solo deben contener letras, números y guiones bajos. Puedes incluir hasta 20 etiquetas para cada documento.

   Para los conjuntos de datos de análisis de opiniones, puedes incluir un número entero que indique el valor de la opinión para el contenido. El valor de la opinión varía de 0 (muy negativo) a un valor máximo de 10 (muy positivo).

   Nota: Para los conjuntos de datos de clasificación o análisis de opiniones, también tienes la opción de proporcionar etiquetas dentro de un archivo ZIP que contenga varios documentos. Consulta Crear un archivo ZIP de importación a continuación.

Por ejemplo, el archivo CSV para un conjunto de datos de clasificación de varias etiquetas podría tener lo siguiente:

TRAIN, gs://my-project-lcm/training-data/file1.txt,Sports,Basketball
VALIDATION, gs://my-project-lcm/training-data/ubuntu.zip,Computers,Software,Operating_Systems,Linux,Ubuntu
TRAIN, gs://news/documents/file2.txt,Sports,Baseball
TEST, "Miles Davis was an American jazz trumpeter, bandleader, and composer.",Arts_Entertainment,Music,Jazz
TRAIN,gs://my-project-lcm/training-data/astros.txt,Sports,Baseball
VALIDATION,gs://my-project-lcm/training-data/mariners.txt,Sports,Baseball
TEST,gs://my-project-lcm/training-data/cubs.txt,Sports,Baseball

Errores comunes de .csv

• Usar caracteres unicode en las etiquetas. Por ejemplo, los caracteres japoneses no son compatibles
• Usar espacios y caracteres no alfanuméricos en las etiquetas
• Líneas vacías
• Columnas vacías (líneas con dos comas sucesivas)
• Comillas faltantes en texto insertado que incluya comas
• Uso incorrecto de mayúsculas en las rutas de Cloud Storage
• Un control de acceso incorrecto configurado para tus documentos Tu cuenta de servicio debe tener acceso de lectura o superior, o bien los archivos deben tener acceso público de lectura
• Referencias a archivos que no son de texto, como archivos JPEG Asimismo, los archivos que no son archivos de texto, pero que se renombraron con una extensión de texto, causarán un error
• El URI de un documento dirige a un bucket diferente del proyecto actual. Solo se puede acceder a los archivos del bucket del proyecto
• Archivos sin formato CSV

Crear un archivo ZIP de importación

Para los conjuntos de datos de clasificación, puedes importar documentos de entrenamiento mediante un archivo ZIP. En el archivo ZIP, crea una carpeta para cada etiqueta o valor de opinión, y guarda cada documento dentro de la carpeta correspondiente a la etiqueta o el valor que se aplicará a ese documento. Por ejemplo, el archivo ZIP de un modelo que clasifica correspondencia comercial podría tener esta estructura:

correspondence.zip
    transactional
        letter1.pdf
        letter2.pdf
        letter5.pdf
    persuasive
        letter3.pdf
        letter7.pdf
        letter8.pdf
    informational
        letter6.pdf
    instructional
        letter4.pdf
        letter9.pdf

AutoML Natural Language aplica los nombres de las carpetas como etiquetas a los documentos de la carpeta. Para un conjunto de datos de análisis de opiniones, los nombres de las carpetas son los valores de opinión:

sentiment.zip
    0
        document4.txt
    1
        document3.txt
        document1.txt
        document5.txt
    2
        document2.txt
        document6.txt
        document8.txt
        document9.txt
    3
        document7.txt

¿Qué sigue?

• Importa tus datos para crear tu conjunto de datos.