专栏首页会呼吸的Coder(二)中文文本分类--机器学习算法原理与编程实践 - 简书

(二)中文文本分类--机器学习算法原理与编程实践 - 简书

本章知识点:中文分词,向量空间模型,TF-IDF方法,文本分类算法和评价指标 使用的算法:朴素的贝叶斯算法,KNN最近邻算法 python库:jieba分词,Scikit-Learning 本章目标:实现小型的文本分类系统 本章主要讲解文本分类的整体流程和相关算法


2.1 文本挖掘和文本分类的概念

1,文本挖掘:指从大量的文本数据中抽取事先未知的,可理解的,最终可使用的知识的过程,同时运用这些知识更好的组织信息以便将来参考。 简言之,就是从非结构化的文本中寻找知识的过程 2,文本挖掘的细分领域:搜索和信息检索(IR),文本聚类,文本分类,Web挖掘,信息抽取(IE),自然语言处理(NLP),概念提取。 3,文本分类:为用户给出的每个文档找到所属的正确类别 4,文本分类的应用:文本检索,垃圾邮件过滤,网页分层目录自动生成元数据,题材检测5,文本分类的方法:一是基于模式系统,二是分类模型


2.2 文本分类项目

中文语言的文本分类技术和流程:

1)预处理:去除文本的噪声信息:HTML标签,文本格式转换 2)中文分词:使用中文分词器为文本分词,并去除停用词 3)构建词向量空间:统计文本词频,生成文本的词向量空间 4 ) 权重策略--TF-IDF方法:使用TF-IDF发现特征词,并抽取为反映文档主题的特征 5)分类器:使用算法训练分类器 6)评价分类结果:分类器的测试结果分析

2.2.1 文本预处理:

文本处理的核心任务:将非结构化的文本转换为结构化的形式,即向量空间模型

文本处理之前需要对不同类型的文本进行预处理

文本预处理的步骤:

1,选择处理的文本的范围:整个文档或其中段落 2,建立分类文本语料库: 训练集语料:已经分好类的文本资源。(文件名:train_corpus_small) 测试集语料:待分类的文本语料(本项目的测试语料随机选自训练语料)(文件名:test_corpus) 3,文本格式转换:统一转换为纯文本格式。(注意问题:乱码) 4,检测句子边界:标记句子结束

2.2.2 中文分词介绍

1,中文分词:将一个汉字序列(句子)切分成一个单独的词(中文自然语言处理的核心问题) 2,中文分词的算法:基于概率图模型的条件随机场(CRF) 3,分词后文本的结构化表示:词向量空间模型,主题模型,依存句法的树表示,RDF的图表示 4,本项目的分词系统:采用jieba分词 5, jieba分词支持的分词模式:默认切分,全切分,搜索引擎切分 6,jieba分词的代码见文件:对未分词语料库进行分词并持久化对象到一个dat文件(创建分词后的语料文件:train_corpus_seg)

import sysimport osimport jiebareload(sys)sys.setdefaultencoding('utf-8')    def savefile(savpath,content):       fp = open(savepath,"wb")    fp.write(content)    fp.close()    def readfile(path):        fp = open(path,"rb")    content = fp.read()    fp.close()    return content            corpus_path = "train_corpus_small/"   seg_path = "train_corpus_seg/"  catelist = os.listdir(corpus_path) for mydir in catelist:           class_path = corpus_path+mydir+"/"      seg_dir = seg_path+mydir+"/"          if not os.path.exists(seg_dir):          os.makedirs(seg_dir)            file_list = os.listdir(class_path)          for file_path in file_list:              fullname = class_path+file_path            content = readfile(full.name).strip()           content = content.replace("\r\n","").strip()          content_seg = jieba.cut(content)                    savefile(seg_dir+file_path," ".join(content_seg))           print "中文语料分词结束"from sklearn.datasets.base import Bunchbunch = Bunch{target_name=[],label=[],filename=[],contents=[]}wordbag_path = "train_word_bad/train_set.dat"  seg_path = "train_corpus_seg/"   catelist = os.listdir(seg_path)  bunch.target_name.extend(catelist)   for mydir in catelist:         class_path = seg_path+mydir+"/"     file_list = os.listdir(class_path)        for file_path in file_list:             fullname = class_path+file_path            bunch.label.append(mydir)              bunch.filenames.append(fullname)          bunch.contents.append(readfile(fullname).strip())          file_obj = open(wordbad_path,"wb")  pickle.dump(bunch,file_obj)   file_obj.close()print "构建文本对象结束!!"
2.2.3 Scikit-Learn库简介
1,模块分类:

1)分类和回归算法:广义线性模型,支持向量机,kNN,朴素贝叶斯,决策树,特征选择 2)聚类算法:K-means 3)维度约简:PCA 4)模型选择:交叉验证 5)数据预处理:标准化,去除均值率和方差缩放,正规化,二值化,编码分类特征,缺失值的插补

2.2.4 向量空间模型:文本分类的结构化方法

1,向量空间模型:将文本表示为一个向量,该向量的每个特征表示为文本中出现的词2,停用词:文本分类前,自动过滤掉某些字或词,以节省储存空间。根据停用词表去除,表可下载。代码见文件

2.2.5 权重策略:TF-IDF方法

1,词向量空间模型:将文本中的词转换为数字,整个文本集转换为维度相等的词向量矩阵(简单理解,抽取出不重复的每个词,以词出现的次数表示文本) 2,归一化:指以概率的形式表示,例如:0,1/5,0,0,1/5,2/5,0,0,也称为:词频TF(仅针对该文档自身) 3,词条的文档频率IDF:针对所有文档的词频

TF-IDF权重策略:计算文本的权重向量

1,TF-IDF的含义:词频逆文档频率。如果某个词在一篇文章中出现的频率高(词频高),并且在其他文章中很少出现(文档频率低),则认为该词具有很好的类别区分能力,适合用来分类。IDF其实是对TF起抵消作用。 2,词频TF的定义:某一个给定的词语在该文件中出现的频率(对词数的归一化) 3,逆文件频率IDF:某一特定词语的IDF,由总文件数除以包含该词语的文件的数目,再将商取对数 4,TF-IDF的计算:TF与IDF的乘积 5,将分词后的持久化语料库文件dat利用TF-IDF策略转化,并持久化的代码见文件

import sysimport os from sklearn.datasets.base import Bunch  import cPickle as pickle  from sklearn import feature_extractionfrom sklearn.feature_extraction.text import TfidfTransformer   from sklearn.feature_extraction.text import TfidfVectorizer   reload(sys)sys.setdefaultencoding('utf-8')  def readbunchobj(path):       file_obj = open(path,"rb")    bunch = pickle.load(file_obj)      file_obj.cloase()    return bunch    def writebunchobj(path,bunchobj):       file_obj = open(path,"wb")    pickle.dump(bunchobj,file_obj)       file_obj.close()path = "train_word_bag/train_set.dat"  bunch = readbunchobj(path)   tfidfspace = Bunch(target_name=bunch.target_name,label=bunch.label,filenames=bunch.filenames,tdm=[],vocabulary=[])     vectorizer = TfidfVectorizer(stop_words=stpwrdlist,sublinear_tf=True,max_df=0.5)transformer=TfidfTransformer()   tfidfspace.tdm = vectorilzer.fit_transform(bunch.contents)  tfidfspace.vocabulary = vectorizer.vocabulary   space_path = "train_word_bag/tfidfspace.dat"   writebunchobj(space_path,tfidfspace)
2.2.6 使用朴素贝叶斯分类模块

常用的文本分类方法:kNN最近邻算法,朴素贝叶斯算法,支持向量机算法

本节选择朴素贝叶斯算法进行文本分类,测试集随机选取自训练集的文档集合,每个分类取10个文档

训练步骤和训练集相同:分词 (文件test_corpus) 》生成文件词向量文件 》 生成词向量模型。

(不同点:在训练词向量模型时,需加载训练集词袋,将测试集生成的词向量映射到训练集词袋的词典中,生成向量空间模型。)代码见文件。

path = "test_word_bag/test_set.dat"   bunch = readbunchobj(path)  testspace = Bunch(target_name=bunch.target_name,label+bunch.label,filenames=bunch.filenames.tdm=[],vocabulary=[])   trainbunch = readbunchobj("train_word_bag/tfidfspace.dat")  vectorizer=TfidfVectorizer(stop_words=stpwrdlst,sublinear_tf=True,max_df=0.5,vocabulary=trainbunch.vocabulary)transformer=TfidfTransformer()    testspace.tdm=vectorizer.fit_transform(bunch.contents)   testspace.vocabulary=trainbunch.vocabularyspace_path = "test_word_bag/testspace.dat"  writebunchobj(space_path,testspace)

执行多项式贝叶斯算法进行测试文本分类,并返回分类精度,代码见文件

from sklearn.naive_bayes import MultinomialNB trainpath = "train_word_bag/tfidfspace.dat"train_set = readbunchobj(trainpath)     testpath = "test_word_bag/testspace.dat"test_set = readbunchobj(testpath)        clf = MultinomialNB(alpha = 0.001).fit(train_set.tdm,train_set.label)predicted = clf.predict(test_set.tdm)total = len(predicted);rate = 0for flabel,file_name,expct_cate in zip(test_set.label,test_set.filenames,predicted):    if flabel !=expct_cate:        rate+=1        print file_name,":实际类别:",flabel,"-->预测类别:",expct-cate        print "error rate:",float(rate)*100/float(total),"%"
2.2.7 分类结果评估

机器学习领域的算法评估的指标: (1)召回率(查全率):检索出的相关文档数和文档库中所有的相关文档数的比率,是衡量检索系统的查全率 召回率=系统检索到的相关文件/系统所有相关的文档总数 (2)准确率(精度):检索出的相关文档数与检索出的文档总数的比率 准确率=系统检索到的相关文件/系统所有检索到的文件总数 (3)Fp-Measure Fp=(p2+1)PR/(p2P+R),P是准确率,R是召回率 p=1时,就是F1-Measure 文本分类项目的分类评估结果评估:代码见文件

import numpy as npfrom sklearn import metricsdef metrics_result(actual,predict):    print '精度:{0:3f}'.format(metrics.precision_score(actual,predict))    print '召回:{0:0.3f}'.format(metrics.recall_score(actual,predict))    print 'f1-score:{0:3f}'.format(metrics.f1_score(actual,predict))    metrics_result(test_set.label,predicted)
2.3 分类算法:朴素贝叶斯

本节主要讨论朴素贝叶斯算法的基本原理和python实现

2.3.1 贝叶斯公式推导

朴素贝叶斯文本分类的思想:它认为词袋中的两两词之间是相互独立的,即一个对象的特征向量中的每个维度都是相互独立的。 朴素贝叶斯分类的定义: (1),设x={a1,a2,^am}为一个待分类项,而每个a为x的一个特征属性 (2),有类别集合C={y1,y2,……yn}. (3),计算P(y1|x),P(y2|x),……,P(yn|x) (4),如果P(yk|x)=max{P1,P2,……,Pn},则x属于yk

-- 计算第(3)步的各个条件概率: (1)找到一个已知分类的待分类集合,即训练集 (2)统计得到在各个类别下的各个特征属性的条件概率估计,即: P(a1|y1),P(a2|y2),……,P(am|y1) P(a1|y2),P(a2|y2),……,P(am|y2) …… (3),如果各个特征属性是条件独立的,根据贝叶斯定理有: P(yi|x) = P(x|yi)*P(yi)/P(x) 分母对于所有类别为常数,故只需将分子最大化即可

故,贝叶斯分类的流程为: 第一阶段 :训练数据生成训练样本集:TF-IDF 第二阶段:对每个类别计算P(yi) 第三阶段:对每个特征属性计算所有划分的条件概率 第四阶段:对每个类别计算P(x|yi)P(yi) 第五阶段:以P(x|yi)P(yi)的最大项作为x的所属类别

2.3.2 朴素贝叶斯算法实现

样例:使用简单的英文语料作为数据集,代码见文件

def loadDataSet():    postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],                 ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],                 ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him','my'],                 ['stop', 'posting', 'stupid', 'worthless', 'garbage'],                 ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],                 ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]                        classVec = [0,1,0,1,0,1]             return postingList,classVec      class NBayes(object):         def __init__(self):               self.vocabulary = []          self.idf = 0                  self.tf = 0                   self.tdm = 0                  self.Pcates = {}              self.labels = []              self.doclength = 0            self.vocablen = 0             self.testset = 0              def train_set(self,trainset,classVec):          self.cate_prob(classVec)        self.doclength = len(trainset)         tempset = set()      [tempset.add(word) for doc in trainset for word in doc]             self.vocabulary = list(tempset)     self.vocablen = len(self.vocabulary)        self.calc_wordfreq(trainset)      self.build_tdm()          def cate_prob(self,classVec):      self.labels = classVec         labeltemps = set(self.labels)      for labeltemp in labeltemps:            self.labels.count(labeltemp)          self.Pcates[labeltemp] = float(self.labels.count(labeltemp))/float(len(self.labels))                        def calc_wordfred(self,trainset):           self.idf = np.zeros([1,self.vocablen])     self.tf = np.zeros([self.doclength,self.vocablen])             for indx in xrange(self.doclength):              for word in trainset[indx]:             self.tf[indx,self.vocabulary.index(word)] +=1                                            for signleword in set(trainset[indx]):              self.idf[0,self.vocabulary.index(signleword)] +=1                                      def build_tdm(self):       self.tdm = np.zeros([len(self.Pcates),self.vocablen])      sumlist = np.zeros([len(self.Pcates),1])              for indx in xrange(self.doclength):                                    self.tdm[self.labels[indx]] += self.tf[indx]                                   sumlist[self.labels[indx]] = np.sum(self.tdm[self.labels[indx]])                                                         self.tdm = self.tdm/sumlist             (3)-(5)函数都被train_set函数调用    def map2vocab(self,testdata):      self.testset = np.zeros([1,self.vocablen])      for word in testdata:            self.testset[0,self.vocabulary.index(word)] +=1               def predict(self,testset):        if np.shape(testset)[1] != self.vocablen:         print "输出错误"        exit(0)            predvalue = 0      predclass = ""          for tdm_vect,keyclass in zip(self.tdm,self.Pcates):                            temp = np.sum(testset*tdm_vect*self.Pacate[keyclass])                  if temp > predvalue:              predvalue = temp            predclass = keyclass    return predclass       def calc_tfidf(self,trainset):            self.idf = np.zeros([1,self.vocablen])       self.tf = np.zeros([self.doclength,self.vocablen])          for indx in xrange(self.doclength):           for word in trainset[indx]:                    self.tf[indx,self.vocabulary.index(word)]+=1                      self.tf[indx] = self.tf[indx]/float(len(trainset[indx]))                  for signleword in set(trainset[indx]):            self.idf[0,self.vocabulary.index(signleword)] +=1    self.idf = np.log(float(self.doclength)/self.idf)        self.tf = np.multiply(self.tf,self.idf)       import sysimport osfrom numpy import *import numpy as npfrom NBayes_lib import *dataSet,listClasses = loadDataSet()  nb = NBayes()  nb.train_set(dataSet,listClasses) nb.map2vocab(dataSet[0])   print nb.predict(nb.testset)

2.4 分类算法:KNN

KNN算法:计算向量间的距离衡量相似度来进行文本分类

2.4.1 KNN算法的原理

1,算法思想:如果一个样本在特征空间的k个最近邻(最近似)的样本中的大多数都属于某一类别,则该样本也属于这个类别,k是由自己定义的外部变量。

2,KNN算法的步骤:

第一阶段:确定k值(就是最近邻的个数),一般是奇数 第二阶段:确定距离度量公式,文本分类一般使用夹角余弦,得出待分类数据点与所有已知类别的样本点,从中选择距离最近的k个样本 夹角余弦公式:cos =AB/|A|*|B| 第三阶段:统计k个样本点中各个类别的数量,哪个类别的数量最多,就把数据点分为什么类别

2.4.2 kNN算法的python实现
import sysimport osfrom numpy import *import numpy as *import operatorfrom Nbayes_lib import *reload(sys)sys.setdefaultencoding('utf-8')k=3def cosdist(vector1,vector2):    return dot(vector1,vector2)/(linalg.norm(vector1)*linalg.norm(vector2))     def classify(testdata,trainSet,listClasses,k):    dataSetSize=trainSet.shape[0]         distances=array(zeros(dataSetSize))          for indx in xrange(dataSetSize):           distances[indx]=cosdist(testdata,trainSet[indx])        sortedDisIndicies=argsort(-distances)        classCount={}        for i in range(k):voteIlabel=listClasses[sortedDistIndices[i]]                        classCount[voteIlabel]=classCount.get(voteIlabel,0) +1                                                    sortedClassCount=sorted(classCount.iteritem(),key=operator.itemgetter(1),reverse=True)        return sortedClassCount[0][0]           dataSet,listClasses=loadDataSet()nb.NBayes()nb.train_set(dataSet,listClasses)  print classify(nb.tf[3],nb.tf,listClasses,k)
2.5 结语

本章讲解了机器学习的两个算法:朴素贝叶斯算法和K最近邻算法

介绍了文本分类的6个主要步骤: 1)文本预处理 2)中文分词 3)构建词向量空间 4)权重策略----TF-IDF方法 5)朴素贝叶斯算法器 6)评价分类结果

本文分享自微信公众号 - 会呼吸的Coder(BreathCoder)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-02-09

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。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • python实现多线程爬虫

    ubuntu16.04,python3.6,bs4,virtualenv(虚拟环境)

    会呼吸的Coder
  • Mysql从入门到放弃(八)

    +----------+-------------+------+-----+-----------------------+----------------+

    会呼吸的Coder
  • SpringBoot有啥高科技?是怎么做到XML零配置的?

    前言:刚毕业我就接触到了SpringBoot,当初感觉必成大器,第一印象就是内置了所有环境,打完包丢哪里都能跑起来,简化了tomcat Xml配置的一系列部署操...

    会呼吸的Coder
  • Python 还能实现图片去雾?FFA 去雾算法、暗通道去雾算法用起来! | 附代码

    Pytorch模块用来模型训练和网络层建立;其底层和Torch框架一样,但是使用Python重新写了很多内容,不仅更加灵活,支持动态图,而且提供了Python接...

    AI科技大本营
  • 分享两个小程序

      小编也不知道大家能不能用的到,我只是把我学到的知识分享出来,有需要的可以看一下。python本身就是一个不断更新改进的语言,不存在抄袭,有需要就可以拿过来用...

    py3study
  • ios 圆形进度条

    有很多开源的进度条不用,非要弄这种效果,就不吐槽了,还是想想怎么实现 废话就不多说了 直接上代码

    赵哥窟
  • 基于PyQT实现区分左键双击和单击

    1、起动一个定时器,判断在指定的时间之内,点击次数超过2次,则视为双击(其主要思路判断两次点击的时间差在预测的条件以内)

    砸漏
  • 12 | Tornado源码分析:BaseIOStream 对象(上)

    hello 大家好 通过前几期我们已经聊了 Tornado 中协程的创建、运行,本期我们开始聊聊 tornado 中 网络读写数据处理相关的内容,这部分还是比较...

    还是牛6504957
  • 福利来啦,送给大家一个小游戏的源码,不要错过哟(复制粘贴运行即可玩)

    从小到大玩过很多的游戏,在我小时候,能玩游戏的地方不多,那时玩游戏都是偷摸玩的,只要是个游戏就觉得非常有趣,比较经典的有魂斗罗,拳皇,超级玛丽,贪吃蛇,俄罗斯方...

    松鼠爱吃饼干
  • 喜欢的歌曲不在一个平台怎么办?你需要一个自己专属的音乐播放器

    网易云音乐,QQ音乐,酷狗音乐,是我们经常会用到的音乐软件,当然有时候我们因为一首歌,需要在各大音乐平台上跳转,那么我们完全可以使用python自己打造一款音乐...

    松鼠爱吃饼干

扫码关注云+社区

领取腾讯云代金券