文本分类(机器学习方法)

文本分类实现步骤：

1. 定义阶段：定义数据以及分类体系，具体分为哪些类别，需要哪些数据
2. 数据预处理：对文档做分词、去停用词等准备工作
3. 数据提取特征：对文档矩阵进行降维、提取训练集中最有用的特征
4. 模型训练阶段：选择具体的分类模型以及算法，训练出文本分类器
5. 评测阶段：在测试集上测试并评价分类器的性能
6. 应用阶段：应用性能最高的分类模型对待分类文档进行分类

特征提取的几种经典方法：

• Bag-of-words：最原始的特征集，一个单词/分词就是一个特征。往往会导致一个数据集有上万个特征，有一些的简单指标可以筛选掉一些对分类没帮助的词语，如去停用词、计算互信息熵等。但总的来说，特征维度都很大，每个特征的信息量太小
• 统计特征：TF-IDF方法。主要是用词汇的统计特征来作为特征集，每个特征都有其物理意义，看起来会比 bag-of-word 好，实际效果差不多
• N-gram：一种考虑词汇顺序的模型，也就是 N 阶 Markov 链，每个样本转移成转移概率矩阵，有不错的效果

分类器方法：

• 朴素贝叶斯（Naive Bayesian, NB）

  对于给定的训练集，首先基于特征条件独立学习输入、输出的联合概率分布 P(X, Y)，然后基于此模型，对给定的输入 x ，利用贝叶斯定理求出后验概率最大的输出 y

  假设P(X, Y)独立分布,通过训练集合学习联合概率分布 P(X, Y)

  $$P(X,Y)=P(Y|X)·P(X)=P(X|Y)·P(Y)$$

  根据上面的等式可得贝叶斯理论的一般形式

  $$P(Y=c_k|X=x)=\frac{P(X=x|y=c_k)·P(Y=c_k)}{\sum_k{P(X=x|Y=c_k)·P(Y=c_k)}}$$

  分母是根据全概率公式得到

  因此，朴素贝叶斯可以表示为：

  $$y=f(x)=argmax_{c_k}\frac{P(Y=c_k)\prod_{j}{P(X^{(j)}=x^{(j)}|Y=c_k)}}{\sum_{k}{P(Y=c_k)\prod_{j}P(X^{(j)}=x^{(j)}|Y=c_k)}}$$

  为了简化计算，可以将相同的分母去掉

  优点：实现简单，学习与预测的效率都很高

  缺点：分类的性能不一定很高

• 逻辑回归（Logistic Regression, lR）

  一种对数线性模型，它的输出是一个概率，而不是一个确切的类别

  逻辑斯蒂函数：

  $$h_\theta(x)=\frac{1}{1+e^{-\theta Tx}}，P(Y=1|X;\theta)=h_{\theta}(x),P(Y=0|x;\theta)=1-h_{\theta}(x)$$

  图像：

  

  对于给定数据集，应用极大似然估计方法估计模型参数

  $$l(\theta)=logL(\theta)=\sum_{i=1}^{N}y^{(i)}logh(x^{i})+(1-y^{i})log(1-h(x^{i}))$$

  优点：实现简单、分类时计算量小、速度快、存储资源低等

  缺点：容易欠拟合、准确率不高等

• 支持向量机（Support Vector Machine, SVM）

  在特征空间中寻找到一个尽可能将两个数据集合分开的超平面（hyper-plane）

  

  对于线性不可分的问题，需要引入核函数，将问题转换到高维空间中

  优点：可用于线性/非线性分类，也可以用于回归；低泛化误差；容易解释；计算复杂度低；推导过程优美

  缺点：对参数和核函数的选择敏感

中文垃圾邮件分类实战

数据集分为：ham_data.txt 和 Spam.data.txt , 对应为 正常邮件和垃圾邮件

其中每行代表着一个邮件

主要过程为：

1. 数据提取
2. 对数据进行归整化和预处理
3. 提取特征（tfidf 和 词袋模型）
4. 训练分类器
   • 基于词袋模型的多项式朴素贝叶斯
   • 基于词袋模型的逻辑回归
   • 基于词袋模型的支持向量机
   • 基于 tfidf 的多项式朴素贝叶斯
   • 基于 tfidf 的逻辑回归
   • 基于 tfidf 的支持向量机
5. 用 准确率(Precision)、召回率(Recall)、F1测度 来评价模型

代码放在 GitHub 上了

https://github.com/CuveeFer/my-nlp

结果：