【火炉炼AI】机器学习039-NLP文本分类器

栏目: 数据库 · 发布时间: 6年前

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:

【火炉炼AI】机器学习039-NLP文本分类器

这个数据集有三个版本,其主要内容和区别为:

  1. 20news-19997.tar.gz: 最原始的没有修改过的一个版本。
  2. 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)
  3. 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:

【火炉炼AI】机器学习039-NLP文本分类器

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:

【火炉炼AI】机器学习039-NLP文本分类器

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!

查看所有标签

猜你喜欢:

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++

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!

随机密码生成器
随机密码生成器

多种字符组合密码

Base64 编码/解码
Base64 编码/解码

Base64 编码/解码

RGB CMYK 转换工具
RGB CMYK 转换工具

RGB CMYK 互转工具