文本自动分类案例(源码)

使用机器学习方法 做文档的自动分类

套路:

1.根据每个文件 生成该文件的一个特征

2.根据特征 选择 分类器 进行文本分类

3.(可选)根据 2 步结果,调整参数/特征等

示例:

数据:搜狗文本分类语料库 精简版

分类器:朴素贝叶斯

编程语言:Python+nltk自然语言处理库+jieba分词库

[python] view plaincopy

  1. __author__ = 'LiFeiteng'
  2. # -*- coding: utf-8 -*-
  3. import os
  4. import jieba
  5. import nltk
  6. ## 由搜狗语料库 生成数据
  7. folder_path = 'C:\LIFEITENG\SogouC.reduced\\Reduced'
  8. #folder_path = 'C:\LIFEITENG\SogouC.mini\Sample'
  9. folder_list = os.listdir(folder_path)
  10. class_list = [] ##由于乱码等问题 仅以数字[0,1,...]来代表文件分类
  11. nClass = 0
  12. N = 100 #每类文件 最多取 100 个样本 70%train 30%test
  13. train_set = []
  14. test_set = []
  15. all_words = {}
  16. import time
  17. process_times = [] ## 统计处理每个文件的时间
  18. for i in range(len(folder_list)):
  19. new_folder_path = folder_path + '\\' + folder_list[i]
  20. files = os.listdir(new_folder_path)
  21. class_list.append(nClass)
  22. nClass += 1
  23. j = 0
  24. nFile = min([len(files), N])
  25. for file in files:
  26. if j > N:
  27. break
  28. starttime = time.clock()
  29. fobj = open(new_folder_path+'\\'+file, 'r')
  30. raw = fobj.read()
  31. word_cut = jieba.cut(raw, cut_all=False)
  32. word_list = list(word_cut)
  33. for word in word_list:
  34. if word in all_words.keys():
  35. all_words[word] += 1
  36. else:
  37. all_words[word] = 0
  38. if j > 0.3 * nFile:
  39. train_set.append((word_list, class_list[i]))
  40. else:
  41. test_set.append((word_list, class_list[i]))
  42. j += 1
  43. endtime = time.clock()
  44. process_times.append(endtime-starttime)
  45. print "Folder ",i,"-file-",j, "all_words length = ", len(all_words.keys()),\
  46. "process time:",(endtime-starttime)
  47. print len(all_words)
  48. ## 根据word的词频排序
  49. all_words_list = sorted(all_words.items(), key=lambda e:e[1], reverse=True)
  50. word_features = []
  51. ## 由于乱码的问题,没有正确使用 stopwords;简单去掉 前100个高频项
  52. ## word_features 是选用的 word-词典
  53. for t in range(100, 1100, 1):
  54. word_features.append(all_words_list[t][0])
  55. def document_features(document):
  56. document_words = set(document)
  57. features = {}
  58. for word in word_features: ## 根据词典生成 每个document的feature True or False
  59. features['contains(%s)' % word] = (word in document_words)
  60. return features
  61. ## 根据每个document 分词生成的 word_list 生成 feature
  62. train_data = [(document_features(d), c) for (d,c) in train_set]
  63. test_data = [(document_features(d), c) for (d,c) in test_set]
  64. print "train number:",len(train_data),"\n test number:",len(test_data)
  65. ## 朴素贝叶斯分类器
  66. classifier = nltk.NaiveBayesClassifier.train(train_data)
  67. print "test accuracy:",nltk.classify.accuracy(classifier, test_data)
  68. ## 处理每个文件所用的时间 可见到后面 处理单个文件的时间显著增长
  69. ## 原因 已查明
  70. import pylab
  71. pylab.plot(range(len(process_times)), process_times, 'b.')
  72. pylab.show()

test上的正确率: 9个类别 74%

处理每个文件所用时间:

===============================

朴素贝叶斯:From 《数据挖掘概念与技术》

1.中文乱码问题,由于这个问题,在stopwords上简单去掉 前100个高频项 数据清洗不足

2.字典的选择上——简单以统计 所有文件词频,选用101-1100 1000个词作字典

我觉得 字典完全可以从 数据上 学习(要比上面方法高明些),就像在图像处理中 稀疏模型 学习字典(KSVD)一样

自然语言处理/文本处理 中也应该存在这样的方法

3.文件的特征 是[0,0,1,0,0,1,...]并不是统计每个文件的词频,

这跟选择的分类器相关,如果选择svm等 就要对文件 生成词频特征

4.到后面(见上图),单个文件处理时间显著增长,原因待查明——已查明

if word in all_words.keys(): 改为all_words.has_key(word)

(python 读取文件速度变慢是什么原因http://www.douban.com/group/topic/44472300/?start=0&post=ok#last )

以 机器学习 的小无相 打了一套 自然语言处理/文本挖掘 的招数

难免有些生硬 望专家指点

原文发布于微信公众号 - 大数据挖掘DT数据分析(datadw)

原文发表时间:2015-11-11

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏月色的自留地

从锅炉工到AI专家(9)

1626
来自专栏人工智能LeadAI

TensorFlow从0到1 | 第十二章:TensorFlow构建3层NN玩转MNIST

上一篇 11 74行Python实现手写体数字识别展示了74行Python代码完成MNIST手写体数字识别,识别率轻松达到95%。这算不上一个好成绩,不过我并不...

34313
来自专栏MixLab科技+设计实验室

设计师编程指南之Sketch插件开发 6

往期文章索引: 1 / 入门基本概念、page的相关操作 2 / artboard 、NSFileManager 和 NSString 关于文件及文件夹的相关操...

2705
来自专栏人工智能LeadAI

Keras同时用多张显卡训练网络

References 官方文档:multi_gpu_model(https://keras.io/utils/#multi_gpu_model)以及Google...

4778
来自专栏人人都是极客

TensorFlow极简入门教程

随着 TensorFlow 在研究及产品中的应用日益广泛,很多开发者及研究者都希望能深入学习这一深度学习框架。本文介绍了TensorFlow 基础,包括静态计算...

1074
来自专栏ATYUN订阅号

验证码,再见!利用机器学习在15分钟内破解验证码

每个人都讨厌验证码——只有输入了那些讨厌的图片上的文本,才能访问网站。验证码的设计是为了防止计算机自动填写表格,验证你是一个真实的“人”。但随着深度学习和计算机...

4175
来自专栏深度学习那些事儿

深度学习图像分割(二)——如何制作自己的PASCAL-VOC2012数据集

在之前的那篇文章中:深度学习图像分割(一)——PASCAL-VOC2012数据集(vocdevkit、Vocbenchmark_release)详细介绍 我们大...

4414
来自专栏python读书笔记

python 数据分析基础 day16-使用statasmodels进行线性回归

今天是读《python数据分析基础》的第16天,今天的读书笔记内容为使用statsmodels模块对数据进行最小二乘线性回归。 代码如下(详细内容请见代码备注...

44015
来自专栏深度学习自然语言处理

调参的一些个人拙见

最近的事。。浓缩成下面的一张图。 ? 调参有哪些方法呢? 语料处理。这个是之后一切操作的基础。有人或许认为算法是最重要的,其实不然,语料处理真的真的是最重要的。...

2675
来自专栏机器学习算法与Python学习

TensorFlow实战:SoftMax手写体MNIST识别(Python完整源码)

之前的文章 TensorFlow的安装与初步了解,从TensorFlow的安装到基本的模块单元进行了初步的讲解。今天这篇文章我们使用TensorFlow针对于手...

5816

扫描关注云+社区