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

来自专栏有趣的Python

TensorFlow应用实战-18-Policy Gradient算法

4534
来自专栏AI研习社

手把手教你用Python 和 Scikit-learn 实现垃圾邮件过滤

文本挖掘(Text Mining,从文字中获取信息)是一个比较宽泛的概念,这一技术在如今每天都有海量文本数据生成的时代越来越受到关注。目前,在机器学习模型的帮助...

3568
来自专栏磐创AI技术团队的专栏

谷歌最强NLP模型BERT如约开源,12小时GitHub标星破1500,即将支持中文

BERT终于来了!今天,谷歌研究团队终于在GitHub上发布了万众期待的BERT。

512
来自专栏落影的专栏

OpenGL ES实践教程(四)VR全景视频播放

教程 OpenGL ES实践教程1-Demo01-AVPlayer OpenGL ES实践教程2-Demo02-摄像头采集数据和渲染 OpenGL ES实践...

3864
来自专栏PPV课数据科学社区

ECharts又搞大动作!3.5 版本提供更多数据可视化图表

在 echarts 新发布的 3.5 版本中,新增了日历坐标系,增强了坐标轴指示器。同时,echarts 统计扩展 1.0 版本发布了。日历坐标系用于在日历中绘...

3286
来自专栏量子位

谷歌最强NLP模型BERT如约开源,12小时GitHub标星破1500,即将支持中文

BERT终于来了!今天,谷歌研究团队终于在GitHub上发布了万众期待的BERT。

1013
来自专栏互联网杂技

A*算法详解

概述 虽然掌握了 A* 算法的人认为它容易,但是对于初学者来说, A* 算法还是很复杂的。 搜索区域(The Search Area) 我们假设某人要从 A 点...

3189
来自专栏数说工作室

【分类战车SVM】附录:用Python做SVM模型

本集目录为: 一、简化版SMO算法 二、LIBSVM包 1.简介 2.数据格式 3.安装 4.简单的使用方法 三、题外话 上一集介绍了SMO的算...

27310
来自专栏python开发者

字符型图片验证码识别完整过程及Python实现

字符型图片验证码识别完整过程及Python实现 1   摘要 验证码是目前互联网上非常常见也是非常重要的一个事物,充当着很多系统的 防火墙 功能,但是随时OCR...

1.5K8
来自专栏量子位

AI跟Bob Ross学画画,杂乱色块秒变风景油画 | PyTorch教程+代码

王新民 编译整理 量子位 出品 | 公众号 QbitAI 正在研究机器学习的全栈码农Dendrick Tan在博客上发布了一份教程+代码:用PyTorch实现将...

3365

扫码关注云+社区