前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >使用文本数据预测一个人的性格

使用文本数据预测一个人的性格

作者头像
AiTechYun
发布2019-12-31 17:08:59
1.3K0
发布2019-12-31 17:08:59
举报
文章被收录于专栏:ATYUN订阅号ATYUN订阅号

我们使用的用 迈尔斯布里格斯类型(MBTI人格)标注的数据集。

一共有4个维度,每个维度有两个类型,所以常人的性格从MBTI指标来看,一共有16种性格。

读取数据

mbti数据集中有两个字段

  • type: 性格类型
  • posts: 每个用户的最近的50条推文,推文与推文之间用 ||| 间隔开

先查看前5行数据

代码语言:javascript
复制
import pandas as pd
import warnings
warnings.filterwarnings('ignore')
df = pd.read_csv('data/mbti.csv')
df.info()
代码语言:javascript
复制
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8675 entries, 0 to 8674
Data columns (total 2 columns):
type     8675 non-null object
posts    8675 non-null object
dtypes: object(2)
memory usage: 135.7+ KB

mbti数据集一共有8675条数据

数据探索

这里我计算出每个推文的长度(没啥大用,复习apply和seaborn可视化)

代码语言:javascript
复制
df['words_per_comment'] = df['posts'].apply(lambda x: len(x.split()))/50
df['posts'] = df['posts'].apply(lambda x:x.lower())
df.head()

小提琴图show一下各个性格的wordspercomment信息

代码语言:javascript
复制
import seaborn as sns
import matplotlib.pyplot as plt

#画布设置及尺寸
sns.set(style='white', font_scale=1.5)
plt.figure(figsize=(15, 10))

#绘制小提琴图
sns.violinplot(x='type',
              y='words_per_comment',
              data=df,
              color='lightgray')
#绘制分类三点图,叠加到小提琴图图层上方
sns.stripplot(x='type', 
              y='words_per_comment', 
              data=df, 
              size=2,
              jitter=True)

#标题及y轴名
plt.title('The Violin Plot of Words Per Comment', size=18)
plt.ylabel('Words Per Comment')
#显示
plt.show()

分割数据

将数据集分为训练集和测试集

代码语言:javascript
复制
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(df['posts'], df['type'], 
                                                    test_size=0.2,
                                                    random_state=123)

文本向量化

机器不理解文本,需要先编码为数字,这里使用tfidf方法进行编码。不熟悉的可以看看这个介绍

如何从文本中提取特征信息?

代码语言:javascript
复制
from sklearn.feature_extraction.text import TfidfVectorizer

tfidf = TfidfVectorizer(stop_words='english')
X_train = tfidf.fit_transform(X_train)
X_test = tfidf.transform(X_test)

训练模型及模型得分

这里我选来三种模型,使用score得分评价模型表现

代码语言:javascript
复制
from sklearn.linear_model import LogisticRegression

model1 = LogisticRegression()
model1.fit(X_train, y_train)
model1.score(X_test, y_test)
代码语言:javascript
复制
0.6357348703170029
代码语言:javascript
复制
from sklearn.linear_model import SGDClassifier

model2 = SGDClassifier()
model2.fit(X_train, y_train)
model2.score(X_test, y_test)
代码语言:javascript
复制
0.6824207492795389
代码语言:javascript
复制
from sklearn.linear_model import Perceptron

model3 = Perceptron()
model3.fit(X_train, y_train)
model3.score(X_test, y_test)
代码语言:javascript
复制
0.5994236311239193

找到的这个数据集标注的可能有问题,如果是经典的数据集,一般跑出来都能达到80+%的准确率。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2019-12-27,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 ATYUN订阅号 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 读取数据
  • 数据探索
  • 分割数据
  • 文本向量化
  • 训练模型及模型得分
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档