本站分享:AI、大数据、数据分析师培训认证考试,包括:Python培训、Excel培训、Matlab培训、SPSS培训、SAS培训、R语言培训、Hadoop培训、Amos培训、Stata培训、Eviews培训
> 大数据培训 > python培训 > 应用scikit-learn做文本分类_scikit learn 分类

应用scikit-learn做文本分类_scikit learn 分类

python培训 cdadata 4373℃

应用scikit-learn做文本分类

关键词：scikit learn 分类,scikit learn 文本,scikit learn 多分类,python scikit learn,scikit learn 教程

文本挖掘的paper没找到统一的benchmark，只好自己跑程序，走过路过的前辈如果知道20newsgroups或者其它好用的公共数据集的分类（最好要所有类分类结果，全部或取部分特征无所谓）麻烦留言告知下现在的benchmark，万谢！

嗯，说正文。20newsgroups官网上给出了3个数据集，这里我们用最原始的20news-19997.tar.gz。

分为以下几个过程：

  • 加载数据集
  • 提feature
  • 分类
    • Naive Bayes
    • KNN
    • SVM
  • 聚类
说明： scipy官网上有参考，但是看着有点乱，而且有bug。本文中我们分块来看。
Environment：Python 2.7 + Scipy （scikit-learn）
1.加载数据集
从20news-19997.tar.gz下载数据集，解压到scikit_learn_data文件夹下，加载数据，详见code注释。
  1. #first extract the 20 news_group dataset to /scikit_learn_data
  2. from sklearn.datasets import fetch_20newsgroups
  3. #all categories
  4. #newsgroup_train = fetch_20newsgroups(subset=’train’)
  5. #part categories
  6. categories = [‘comp.graphics’,
  7.  ‘comp.os.ms-windows.misc’,
  8.  ‘comp.sys.ibm.pc.hardware’,
  9.  ‘comp.sys.mac.hardware’,
  10.  ‘comp.windows.x’];
  11. newsgroup_train = fetch_20newsgroups(subset = ‘train’,categories = categories);
可以检验是否load好了：
  1. #print category names
  2. from pprint import pprint
  3. pprint(list(newsgroup_train.target_names))

结果：

[‘comp.graphics’,
‘comp.os.ms-windows.misc’,
‘comp.sys.ibm.pc.hardware’,
‘comp.sys.mac.hardware’,
‘comp.windows.x’]
2. 提feature：
刚才load进来的newsgroup_train就是一篇篇document，我们要从中提取feature，即词频啊神马的，用fit_transform
Method 1. HashingVectorizer，规定feature个数
  1. #newsgroup_train.data is the original documents, but we need to extract the 
  2. #feature vectors inorder to model the text data
  3. from sklearn.feature_extraction.text import HashingVectorizer
  4. vectorizer = HashingVectorizer(stop_words = ‘english’,non_negative = True,
  5.                                n_features = 10000)
  6. fea_train = vectorizer.fit_transform(newsgroup_train.data)
  7. fea_test = vectorizer.fit_transform(newsgroups_test.data);
  10. #return feature vector ‘fea_train’ [n_samples,n_features]
  11. print ‘Size of fea_train:’ + repr(fea_train.shape)
  12. print ‘Size of fea_train:’ + repr(fea_test.shape)
  13. #11314 documents, 130107 vectors for all categories
  14. print ‘The average feature sparsity is {0:.3f}%’.format(
  15. fea_train.nnz/float(fea_train.shape[0]*fea_train.shape[1])*100);

结果：

Size of fea_train:(2936, 10000)
Size of fea_train:(1955, 10000)
The average feature sparsity is 1.002%
因为我们只取了10000个词，即10000维feature，稀疏度还不算低。而实际上用TfidfVectorizer统计可得到上万维的feature，我统计的全部样本是13w多维，就是一个相当稀疏的矩阵了。
**************************************************************************************************************************

上面代码注释说TF-IDF在train和test上提取的feature维度不同，那么怎么让它们相同呢？有两种方法：

Method 2. CountVectorizer+TfidfTransformer
让两个CountVectorizer共享vocabulary：
  1. #—————————————————-
  2. #method 1:CountVectorizer+TfidfTransformer
  3. print ‘*************************\nCountVectorizer+TfidfTransformer\n*************************’
  4. from sklearn.feature_extraction.text import CountVectorizer,TfidfTransformer
  5. count_v1= CountVectorizer(stop_words = ‘english’, max_df = 0.5);
  6. counts_train = count_v1.fit_transform(newsgroup_train.data);
  7. print “the shape of train is “+repr(counts_train.shape)
  9. count_v2 = CountVectorizer(vocabulary=count_v1.vocabulary_);
  10. counts_test = count_v2.fit_transform(newsgroups_test.data);
  11. print “the shape of test is “+repr(counts_test.shape)
  13. tfidftransformer = TfidfTransformer();
  15. tfidf_train = tfidftransformer.fit(counts_train).transform(counts_train);
  16. tfidf_test = tfidftransformer.fit(counts_test).transform(counts_test);
结果：
*************************
CountVectorizer+TfidfTransformer
*************************
the shape of train is (2936, 66433)
the shape of test is (1955, 66433)
Method 3. TfidfVectorizer
让两个TfidfVectorizer共享vocabulary：
  1. #method 2:TfidfVectorizer
  2. print ‘*************************\nTfidfVectorizer\n*************************’
  3. from sklearn.feature_extraction.text import TfidfVectorizer
  4. tv = TfidfVectorizer(sublinear_tf = True,
  5.                                     max_df = 0.5,
  6.                                     stop_words = ‘english’);
  7. tfidf_train_2 = tv.fit_transform(newsgroup_train.data);
  8. tv2 = TfidfVectorizer(vocabulary = tv.vocabulary_);
  9. tfidf_test_2 = tv2.fit_transform(newsgroups_test.data);
  10. print “the shape of train is “+repr(tfidf_train_2.shape)
  11. print “the shape of test is “+repr(tfidf_test_2.shape)
  12. analyze = tv.build_analyzer()
  13. tv.get_feature_names()#statistical features/terms
结果：

*************************
TfidfVectorizer
*************************
the shape of train is (2936, 66433)
the shape of test is (1955, 66433)

此外，还有sklearn里封装好的抓feature函数，fetch_20newsgroups_vectorized
Method 4. fetch_20newsgroups_vectorized

但是这种方法不能挑出几个类的feature，只能全部20个类的feature全部弄出来：

  1. print ‘*************************\nfetch_20newsgroups_vectorized\n*************************’
  2. from sklearn.datasets import fetch_20newsgroups_vectorized
  3. tfidf_train_3 = fetch_20newsgroups_vectorized(subset = ‘train’);
  4. tfidf_test_3 = fetch_20newsgroups_vectorized(subset = ‘test’);
  5. print “the shape of train is “+repr(tfidf_train_3.data.shape)
  6. print “the shape of test is “+repr(tfidf_test_3.data.shape)
结果：
*************************
fetch_20newsgroups_vectorized
*************************
the shape of train is (11314, 130107)
the shape of test is (7532, 130107)
3. 分类
3.1 Multinomial Naive Bayes Classifier
见代码&comment，不解释

#####################################################  

  1. #Multinomial Naive Bayes Classifier
  2. print ‘*************************\nNaive Bayes\n*************************’
  3. from sklearn.naive_bayes import MultinomialNB
  4. from sklearn import metrics
  5. newsgroups_test = fetch_20newsgroups(subset = ‘test’,
  6.                                      categories = categories);
  7. fea_test = vectorizer.fit_transform(newsgroups_test.data);
  8. #create the Multinomial Naive Bayesian Classifier
  9. clf = MultinomialNB(alpha = 0.01)
  10. clf.fit(fea_train,newsgroup_train.target);
  11. pred = clf.predict(fea_test);
  12. calculate_result(newsgroups_test.target,pred);
  13. #notice here we can see that f1_score is not equal to 2*precision*recall/(precision+recall)
  14. #because the m_precision and m_recall we get is averaged, however, metrics.f1_score() calculates
  15. #weithed average, i.e., takes into the number of each class into consideration.

注意我最后的3行注释，为什么f1≠2*（准确率*召回率）/（准确率+召回率）

 

其中，函数calculate_result计算f1：

  1. def calculate_result(actual,pred):
  2.     m_precision = metrics.precision_score(actual,pred);
  3.     m_recall = metrics.recall_score(actual,pred);
  4.     print ‘predict info:’
  5.     print ‘precision:{0:.3f}’.format(m_precision)
  6.     print ‘recall:{0:0.3f}’.format(m_recall);
  7.     print ‘f1-score:{0:.3f}’.format(metrics.f1_score(actual,pred));

 

3.2 KNN：

  1. ######################################################
  2. #KNN Classifier
  3. from sklearn.neighbors import KNeighborsClassifier
  4. print ‘*************************\nKNN\n*************************’
  5. knnclf = KNeighborsClassifier()#default with k=5
  6. knnclf.fit(fea_train,newsgroup_train.target)
  7. pred = knnclf.predict(fea_test);
  8. calculate_result(newsgroups_test.target,pred);

 

3.3 SVM:

  1. ######################################################
  2. #SVM Classifier
  3. from sklearn.svm import SVC
  4. print ‘*************************\nSVM\n*************************’
  5. svclf = SVC(kernel = ‘linear’)#default with ‘rbf’
  6. svclf.fit(fea_train,newsgroup_train.target)
  7. pred = svclf.predict(fea_test);
  8. calculate_result(newsgroups_test.target,pred);

结果：

*************************

Naive Bayes
*************************
predict info:
precision:0.764
recall:0.759
f1-score:0.760
*************************
KNN
*************************
predict info:
precision:0.642
recall:0.635
f1-score:0.636
*************************
SVM
*************************
predict info:
precision:0.777
recall:0.774
f1-score:0.774

4. 聚类

  1. ######################################################
  2. #KMeans Cluster
  3. from sklearn.cluster import KMeans
  4. print ‘*************************\nKMeans\n*************************’
  5. pred = KMeans(n_clusters=5)
  6. pred.fit(fea_test)
  7. calculate_result(newsgroups_test.target,pred.labels_);

 

结果：

*************************
KMeans
*************************
predict info:
precision:0.264
recall:0.226
f1-score:0.213

本文全部代码下载：在此

貌似准确率好低……那我们用全部特征吧……结果如下：

*************************
Naive Bayes
*************************
predict info:
precision:0.771
recall:0.770
f1-score:0.769
*************************
KNN
*************************
predict info:
precision:0.652
recall:0.645
f1-score:0.645
*************************
SVM
*************************
predict info:
precision:0.819
recall:0.816
f1-score:0.816
*************************
KMeans
*************************
predict info:
precision:0.289
recall:0.313
f1-score:0.266

转载请注明：数据分析 » 应用scikit-learn做文本分类_scikit learn 分类

喜欢 (1)or分享 (0)