基于LR的新闻文本分类

　　本项目是基于jieba、TfidfVectorizer、LogisticRegression的搜狐新闻文本分类，jieba中文叫做结巴，是一款中文分词工具，TfidfVectorizer中文叫做词袋向量化模型，是用来文章内容向量化的工具，LogisticRegression中文叫做逻辑回归模型，是一种基础、常用的分类方法。

　　开发环境：jupyter notebook

1.数据准备

　　训练集共有24000条样本，12个分类，每个分类2000条样本。
　　测试集共有12000条样本，12个分类，每个分类1000条样本。

　　在jupyter notebook中新建tfidfVectorizerTest文件

　　加载训练集到变量train_df中，并打印训练集前5行，代码如下。
　　read_csv方法中有3个参数，第1个参数是加载文本文件的路径，第2个关键字参数sep是分隔符，第3个关键字参数header是文本文件的第1行是否为字段名。

import pandas as pd

train_df = pd.read_csv('sohu_train.txt', sep='\t', header=None)
train_df.head()

　　运行结果如下图所示：

　　查看训练集每个分类的名字以及样本数量，代码如下：

for name, group in train_df.groupby(0):
    print(name,len(group))

　　运行结果如下图所示：

　　加载测试集并查看每个分类的名字以及样本数量，代码如下：

test_df = pd.read_csv('sohu_test.txt', sep='\t', header=None)
for name, group in test_df.groupby(0):
    print(name, len(group))

　　运行结果如下图所示：

　　载入停顿词赋值给变量stopWord_list，代码如下：

with open('stopwords.txt', encoding='utf8') as file:
    stopWord_list = [k.strip() for k in file.readlines()]

2.分词

　　需要安装jieba库，cmd中安装命令：pip install jieba
　　对训练集的24000条样本循环遍历，使用jieba库的cut方法获得分词列表赋值给变量cutWords。
　　判断分词是否为停顿词，如果不为停顿词，则添加进变量cutWords中。
　　代码如下：

import jieba
import time

train_df.columns = ['分类', '文章']
stopword_list = [k.strip() for k in open('stopwords.txt', encoding='utf8').readlines() if k.strip() != '']
cutWords_list = []
i = 0
startTime = time.time()
for article in train_df['文章']:
    cutWords = [k for k in jieba.cut(article) if k not in stopword_list]
    i += 1
    if i % 1000 == 0:
        print('前%d篇文章分词共花费%.2f秒' %(i, time.time()-startTime))
    cutWords_list.append(cutWords)

　　运行结果如下：

　　从上面的运行结果可以看出，对24000篇文章进行分词共使用1332.62秒。
　　将分词结果保存为本地文件cutWords_list.txt，代码如下：

with open('cutWords_list.txt', 'w') as file: 
    for cutWords in cutWords_list:
        file.write(' '.join(cutWords) + '\n')

　　载入分词文件的代码如下：

with open('cutWords_list.txt') as file:
    cutWords_list = [k.split() for k in file.readlines()]

3.TfidfVectorizer模型

　　调用sklearn.feature_extraction.text库的TfidfVectorizer方法实例化模型对象。
　　TfidfVectorizer方法需要4个参数。
　　第1个参数是分词结果，数据类型为列表，其中的元素也为列表；
　　第2个关键字参数stop_words是停顿词，数据类型为列表；
　　第3个关键字参数min_df是词频低于此值则忽略，数据类型为int或float;
　　第4个关键字参数max_df是词频高于此值则忽略，数据类型为Int或float。
　　查看TfidfVectorizer方法的更多参数用法，官方文档链接：http://sklearn.apachecn.org/cn/0.19.0/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html

from sklearn.feature_extraction.text import TfidfVectorizer

tfidf = TfidfVectorizer(cutWords_list, stop_words=stopWord_list, min_df=40, max_df=0.3)

4.特征工程

　　第1行代码查看向量化的维数，即特征的维数；
　　第2行代码调用TfidfVectorizer对象的fit_transform方法获得特征矩阵赋值给X；
　　第3行代码查看特征矩阵的形状。

X = tfidf.fit_transform(train_df[1])
print('词表大小:', len(tfidf.vocabulary_))
print(X.shape)

　　运行结果如下：

5.模型训练

5.1 标签编码

　　调用sklearn.preprocessing库的LabelEncoder方法对文章分类做标签编码。
　　最后一行代码查看预测目标的形状。

from sklearn.preprocessing import LabelEncoder
import pandas as pd

train_df = pd.read_csv('sohu_train.txt', sep='\t', header=None)
labelEncoder = LabelEncoder()
y = labelEncoder.fit_transform(train_df[0])
y.shape

5.2 逻辑回归模型

　　调用sklearn.linear_model库的LogisticRegression方法实例化模型对象。
　　调用sklearn.model_selection库的train_test_split方法划分训练集和测试集。

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

train_X, test_X, train_y, test_y = train_test_split(X, y, test_size=0.2)
logistic_model = LogisticRegression(multi_class='multinomial', solver='lbfgs')
logistic_model.fit(train_X, train_y)
logistic_model.score(test_X, test_y)

　　运行结果如下：

5.3 保存模型

　　保存模型需要先安装pickle库，安装命令：pip install pickle
　　调用pickle库的dump方法保存模型，需要2个参数。
　　第1个参数是保存的对象，可以为任意数据类型，因为有3个模型需要保存，所以下面代码第1个参数是字典。
　　第2个参数是保存的文件对象，数据类型为_io.BufferedWriter

import pickle

with open('tfidf.model', 'wb') as file:
    save = {
        'labelEncoder' : labelEncoder,
        'tfidfVectorizer' : tfidf,
        'logistic_model' : logistic_model
    }
    pickle.dump(save, file)

5.4 交叉验证

　　在进行此步的时候，不需要运行此步之前的所有步骤，即可以重新运行jupyter notebook。
　　调用pickle库的load方法加载保存的模型对象，代码如下：

import pickle

with open('tfidf.model', 'rb') as file:
    tfidf_model = pickle.load(file)
    tfidfVectorizer = tfidf_model['tfidfVectorizer']
    labelEncoder = tfidf_model['labelEncoder']
    logistic_model = tfidf_model['logistic_model']

　　调用pandas的read_csv方法加载训练集数据。
　　调用TfidfVectorizer对象的transform方法获得特征矩阵。
　　调用LabelEncoder对象的transform方法获得预测目标值。
　　代码如下：

import pandas as pd

train_df = pd.read_csv('sohu_train.txt', sep='\t', header=None)
X = tfidfVectorizer.transform(train_df[1])
y = labelEncoder.transform(train_df[0])

　　调用sklearn.linear_model库的LogisticRegression方法实例化逻辑回归模型对象。
　　调用sklearn.model_selection库的ShuffleSplit方法实例化交叉验证对象。
　　调用sklearn.model_selection库的cross_val_score方法获得交叉验证每一次的得分。
　　最后打印每一次的得分以及平均分，代码如下：

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import ShuffleSplit
from sklearn.model_selection import cross_val_score

logistic_model = LogisticRegression(multi_class='multinomial', solver='lbfgs')
cv_split = ShuffleSplit(n_splits=5, test_size=0.3)
score_ndarray = cross_val_score(logistic_model, X, y, cv=cv_split)
print(score_ndarray)
print(score_ndarray.mean())

　　结果如下：

6.模型评估

　　绘制混淆矩阵，代码如下：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegressionCV
from sklearn.metrics import confusion_matrix
import pandas as pd

train_X, test_X, train_y, test_y = train_test_split(X, y, test_size=0.2)
logistic_model = LogisticRegressionCV(multi_class='multinomial', solver='lbfgs')
logistic_model.fit(train_X, train_y)
predict_y = logistic_model.predict(test_X)
pd.DataFrame(confusion_matrix(test_y, predict_y), 
             columns=labelEncoder.classes_, 
             index=labelEncoder.classes_)

　　结果如下图所示：

　　绘制precision、recall、f1-score、support报告表，代码如下：

import numpy as np
from sklearn.metrics import precision_recall_fscore_support

def eval_model(y_true, y_pred, labels):
    # 计算每个分类的Precision, Recall, f1, support
    p, r, f1, s = precision_recall_fscore_support(y_true, y_pred)
    # 计算总体的平均Precision, Recall, f1, support
    tot_p = np.average(p, weights=s)
    tot_r = np.average(r, weights=s)
    tot_f1 = np.average(f1, weights=s)
    tot_s = np.sum(s)
    res1 = pd.DataFrame({
        u'Label': labels,
        u'Precision': p,
        u'Recall': r,
        u'F1': f1,
        u'Support': s
    })
    res2 = pd.DataFrame({
        u'Label': ['总体'],
        u'Precision': [tot_p],
        u'Recall': [tot_r],
        u'F1': [tot_f1],
        u'Support': [tot_s]
    })
    res2.index = [999]
    res = pd.concat([res1, res2])
    return res[['Label', 'Precision', 'Recall', 'F1', 'Support']]

predict_y = logistic_model.predict(test_X)
eval_model(test_y, predict_y, labelEncoder.classes_)

　　结果如下图所示：

7.模型测试

　　模型测试，即对一个全新的测试集进行预测。
　　调用pandas库的read_csv方法读取测试集文件。
　　调用TfidfVectorizer对象的transform方法获得特征矩阵。
　　调用LabelEncoder对象的transform方法获得预测目标值。
　　下面一段代码能够成功运行的前提，是本文第5.4节和第6节已经运行。

import pandas as pd

test_df = pd.read_csv('sohu_test.txt', sep='\t', header=None)
test_X = tfidfVectorizer.transform(test_df[1])
test_y = labelEncoder.transform(test_df[0])
predict_y = logistic_model.predict(test_X)
eval_model(test_y, predict_y, labelEncoder.classes_)

　　结果如下图所示：

　　经过交叉验证，模型平均得分为0.8711。
　　模型评估时，使用LogisticRegressionCV模型，得分提高了3%，为0.9076。
　　最后在测试集上的f1-score指标为0.8990，总体来说这个分类模型较优秀。

　　数据集放在网盘，如下：

　　链接：https://pan.baidu.com/s/1Rc1363FR2skA8Tn7CxEi3g
　　提取码：xbrr