内容简介:(本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2, NLTK 3.3)前面我们学习了很多用NLP进行文本的分词,文本分块,创建词袋模型等,这些步骤可以认为是NLP文本处理的基础,此处我们来看NLP的一个非常重要的应用,对文本使用监督学习进行自动分类。本文要使用NLP中非常经典的一个数据集:20 Newsgroups。这个数据集是国际标准数据集之一,专门用于文本分类,文本挖掘,和信息检索等领域,类似于传
(本文所使用的 Python 库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2, NLTK 3.3)
前面我们学习了很多用NLP进行文本的分词,文本分块,创建词袋模型等,这些步骤可以认为是NLP文本处理的基础,此处我们来看NLP的一个非常重要的应用,对文本使用监督学习进行自动分类。
1. 20 Newsgroups数据集介绍
本文要使用NLP中非常经典的一个数据集:20 Newsgroups。这个数据集是国际标准数据集之一,专门用于文本分类,文本挖掘,和信息检索等领域,类似于传统机器学习所用的Iris鸢尾花数据集一样,可以通过官方网址来下载和了解具体内容。
20 Newsgroups包含有20个类别的已经标注好的样本,总样本数量大约2万。这20个类别分别为:
这个数据集有三个版本,其主要内容和区别为:
- 20news-19997.tar.gz: 最原始的没有修改过的一个版本。
- 20news-bydate.tar.gz: bydate版本,按照时间分类,分为训练集(60%)和测试集(40%)两部分,不包含重复文档和新闻组名。一共有18846个样本(或称为文档)
- 20news-18828.tar.gz: 不包含重复样本,只有来源和主题,一共有18828个样本。
sklearn中有两种加载方式,第一种是sklearn.dataset.fetch_20newsgroups,返回一个可以被文本特征提取器(CountVectorizer)自定义参数提取特征的原始文本序列,第二种是sklearn.datasets.fetch_20newsgroups_vectorized,返回一个已提取特征的文本序列,即不需要使用特征提取器。
注:以上内容主要参考博客
此处我们只下载第二个版本,下载后得到20news-bydate.tar.gz文件,解压后得到两个文件夹,如下:
这两个文件夹每一个都有20个子文件夹,对应于20个不同类别。每个类别下面有几百个文档,即样本,每个文档都不长,比如一个文档(样本)的内容为:
这个数据集的加载方式已经被sklearn集成到代码中了,主要的接口是sklearn.dataset.fetch_20newsgroups,其默认加载第二个版本。这个函数的参数有:subset有三个选择train、test、all,选择数据的类型。category是选择新闻的类型,remove是可以选择去除(‘headers’, ‘footers’, ‘quotes’)这三个文章的选项。其他不重要。
# 认识20newsgroups数据集 from sklearn.datasets import fetch_20newsgroups # dataset=fetch_20newsgroups(subset='all') # 自动下载第二个版本20news-bydate.tar.gz # print(len(dataset.data)) # dataset_X 的样本数 # print(dataset.target_names) # dataset_y的名称,标签名称 # train_set=fetch_20newsgroups(subset='train') # 仅仅提取中间的train set # test_set=fetch_20newsgroups(subset='test') # 如果仅仅需要其中的某几个类别,可以用 sample_cate = ['alt.atheism', 'soc.religion.christian', 'comp.graphics', 'sci.med', 'rec.sport.baseball'] # 只取5个类别 train_set = fetch_20newsgroups(subset='train',categories=sample_cate, shuffle=True, random_state=42, remove = ('headers', 'footers', 'quotes')) test_set = fetch_20newsgroups(subset='test', categories=sample_cate, shuffle=True, random_state=42, remove = ('headers', 'footers', 'quotes')) print(len(train_set.data), len(test_set.data)) # 2854 1899 print(train_set.target_names) # 只有五个类别 复制代码
-------------------------------------输---------出--------------------------------
2854 1899 ['alt.atheism', 'comp.graphics', 'rec.sport.baseball', 'sci.med', 'soc.religion.christian']
--------------------------------------------完-------------------------------------
2. 构建分类器
2.1 准备数据集
# 1, 准备数据集 category_map = {'misc.forsale': 'Sales', 'rec.motorcycles': 'Motorcycles', 'rec.sport.baseball': 'Baseball', 'sci.crypt': 'Cryptography', 'sci.space': 'Space'} from sklearn.datasets import fetch_20newsgroups train_set=fetch_20newsgroups(subset='train',categories=category_map.keys(), shuffle=True,random_state=42, remove = ('headers', 'footers', 'quotes')) test_set=fetch_20newsgroups(subset='test',categories=category_map.keys(), shuffle=True,random_state=42, remove = ('headers', 'footers', 'quotes')) # 获取到的train_set包含有2968个样本, print('train sample num: ', len(train_set.data)) # 2968 print(train_set.target_names) # 确保是我们要提取的这五个类别 print('test sample num: ', len(test_set.data)) # 1975 复制代码
-------------------------------------输---------出--------------------------------
train sample num: 2968 ['misc.forsale', 'rec.motorcycles', 'rec.sport.baseball', 'sci.crypt', 'sci.space'] test sample num: 1975
--------------------------------------------完-------------------------------------
2.2 特征提取
此处我们用TfidfVectorizer来进行特征提取,关于TfidfVectorizer可以参考我的上一篇文章 【火炉炼AI】机器学习038-NLP创建词袋模型 .
直接上代码:
from sklearn.feature_extraction.text import TfidfVectorizer vectorizer = TfidfVectorizer(stop_words='english',lowercase=True) train_vector = vectorizer.fit_transform(train_set.data) print(train_vector.shape) # (2968, 31206) # 此处相当于有2968个词袋,对这些词袋进行TfidfVectorizer进行特征提取, # 得到最具典型的一些单词,这些单词的个数有31206个,故而得到(2968, 30206)矩阵 # 矩阵中的元素表示这个单词在该词袋中出现的tf-idf权重,值越大,表示该单词越重要。 复制代码
2.3 定义模型,训练模型
# 定义模型,训练特征 from sklearn.naive_bayes import MultinomialNB classifier=MultinomialNB(alpha=.01, fit_prior = False) classifier.fit(train_vector,train_set.target) 复制代码
2.4 查看模型在测试集上的表现
# 查看这个数据集在test_set上的表现 from sklearn import metrics test_vector=vectorizer.transform(test_set.data) print(test_vector.shape) pred=classifier.predict(test_vector) F1_score=metrics.f1_score(test_set.target, pred, average='micro') print('test set F1 score: ',F1_score) 复制代码
-------------------------------------输---------出--------------------------------
(1975, 31206) test set F1 score: 0.8774683544303797
--------------------------------------------完-------------------------------------
3. 用GridSearch优化参数
# 用GridSearchCV优化参数 from sklearn.model_selection import GridSearchCV from sklearn.metrics import classification_report parameters = {'fit_prior':(True, False), 'alpha':(0.01,0.05,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0)} clf = GridSearchCV(classifier,parameters,cv=5,scoring='precision_macro',n_jobs=-1) clf.fit(train_vector, train_set.target) print("Best param_set found on train set: {}".format(clf.best_params_)) print("Detailed classification report on test set:") y_true, y_pred = test_set.target, clf.predict(test_vector) print(classification_report(y_true, y_pred)) 复制代码
-------------------------------------输---------出--------------------------------
Best param_set found on train set: {'alpha': 0.05, 'fit_prior': True} Detailed classification report on test set: precision recall f1-score support
0 0.92 0.89 0.91 390 1 0.80 0.91 0.85 398 2 0.93 0.88 0.91 397 3 0.90 0.88 0.89 396 4 0.91 0.88 0.89 394 复制代码
avg / total 0.89 0.89 0.89 1975
--------------------------------------------完-------------------------------------
从分类报告中可以看出,结果最好的是第0类和第2类,F1为0.91,最差的是第1类,F1值只有0.85。
########################小**********结###############################
1,用NLP进行文本分类,和传统机器学习的主要区别在于前面特征的提取,一旦提取特征,后面模型的建立,训练,测试,分类报告等都一样。
2,对文本进行特征的提取有两种:CountVectorizer和TfidfVectorizer,但是TfidfVectorizer使用的最多,对文本量非常大的情况更加准确,故而此处我只用TfidfVectorizer来提取特征。
3,有一个地方很容易忽视:测试集在用predict之前,一定要用vectorizer.transform进行转换,这个过程就像是对数据进行归一化等,需要对train_X和test_X都要进行处理。
#################################################################
注:本部分代码已经全部上传到( 我的github )上,欢迎下载。
参考资料:
1, Python机器学习经典实例,Prateek Joshi著,陶俊杰,陈小莉译
以上所述就是小编给大家介绍的《【火炉炼AI】机器学习039-NLP文本分类器》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- 【火炉炼AI】机器学习037-NLP文本分块
- 【火炉炼AI】机器学习034-NLP对文本进行分词
- 【火炉炼AI】机器学习042-NLP文本的主题建模
- 【火炉炼AI】机器学习033-构建电影推荐系统
- 【火炉炼AI】机器学习036-NLP词形还原
- 【火炉炼AI】机器学习035-NLP词干提取
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
API Design for C++
Martin Reddy / Morgan Kaufmann / 2011-2-18 / USD 59.95
The design of application programming interfaces can affect the behavior, capabilities, stability, and ease of use of end-user applications. With this book, you will learn how to design a good API for......一起来看看 《API Design for C++》 这本书的介绍吧!