代码改变世界

应用scikit-learn做文本分类

2016-04-05 13:45  GarfieldEr007  阅读(410)  评论(0编辑  收藏  举报

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
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。
[python] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  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:
[python] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  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
 
[python] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  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);  
  8.   
  9.   
  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:
[python] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  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)  
  8.   
  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)  
  12.   
  13. tfidftransformer = TfidfTransformer();  
  14.   
  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:
[python] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  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:
 
[python] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  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
[python] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. ######################################################  
  2. #Multinomial Naive Bayes Classifier  
  3. print '*************************\nNaive Bayes\n*************************'  
  4. from sklearn.naive_bayes import MultinomialNB  
  5. from sklearn import metrics  
  6. newsgroups_test = fetch_20newsgroups(subset = 'test',  
  7.                                      categories = categories);  
  8. fea_test = vectorizer.fit_transform(newsgroups_test.data);  
  9. #create the Multinomial Naive Bayesian Classifier  
  10. clf = MultinomialNB(alpha = 0.01)   
  11. clf.fit(fea_train,newsgroup_train.target);  
  12. pred = clf.predict(fea_test);  
  13. calculate_result(newsgroups_test.target,pred);  
  14. #notice here we can see that f1_score is not equal to 2*precision*recall/(precision+recall)  
  15. #because the m_precision and m_recall we get is averaged, however, metrics.f1_score() calculates  
  16. #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:

 

[python] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  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));  
  8.       



 

3.2 KNN:

 

[python] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  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:

 

[cpp] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  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

 

[cpp] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  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

 from: http://blog.csdn.net/abcjennifer/article/details/23615947