朴素贝叶斯分类-实战篇-如何进行文本分类

微信公众号：码农充电站pro
个人主页：https://codeshellme.github.io

上篇介绍了朴素贝叶斯的原理，本篇来介绍如何用朴素贝叶斯解决实际问题。

朴素贝叶斯最擅长的领域是文本分析，包括：

文本分类
情感分析
垃圾邮件处理

要对文本进行分类，首先要做的是如何提取文本的主要信息，如何衡量哪些信息是文本中的主要信息呢？

1，对文档分词

我们知道，一篇文档是由若干词汇组成的，也就是文档的主要信息是词汇。从这个角度来看，我们就可以用一些关键词来描述文档。

这种处理文本的方法叫做词袋(bag of words)模型，该模型会忽略文本中的词语出现的顺序以及相应的语法，将文档看做是由若干单词组成的，且单词之间互相独立，没有关联。

要想提取文档中的关键词，就得先对文档进行分词。分词方法一般有两种：

第一种是基于字符串匹配。就是扫描字符串。如果发现字符串的子串和词相同，就算匹配成功。
- 匹配规则一般有“正向最大匹配”，“逆向最大匹配”，“长词优先”等。
- 该类算法的优点是只需基于字典匹配，算法简单；缺点是没有考虑词义，处理歧义词效果不佳。
第二种是基于统计和机器学习。需要人工标注词性和统计特征，对中文进行建模。
- 先要训练分词模型，然后基于模型进行计算概率，取概率最大的分词作为匹配结果。
- 常见的序列标注模型有隐马尔科夫模型和条件随机场。

停用词是一些非常普遍使用的词语，对文档分析作用不大，在文档分析之前需要将这些词去掉。比如：

中文停用词：“你，我，他，它，的，了” 等。
英文停用词：“is，a，the，this，that” 等。
停用词文件：停用词一般保存在文件中，需要自行读取。

另外分词阶段，还需要处理同义词，很多时候一件东西有多个不同的名字。比如“番茄”和“西红柿”，“凤梨”和“菠萝”等。

中文分词与英文分词是不同的，我们分别介绍一个著名的分词包：

中文分词：jieba 分词比较常用，其中包含了中文的停用词等。
英文分词：NTLK 比较常用，其中包含了英文的停用词等。

2，计算单词权重

哪些关键词对一个文档才是重要的？比如可以通过单词出现的次数，次数越多就表示越重要。

更合理的方法是计算单词的TF-IDF 值。

2.1，单词的 TF-IDF 值

单词的TF-IDF 值可以描述一个单词对文档的重要性，TF-IDF 值越大，则越重要。

TF：全称是Term Frequency，即词频（单词出现的频率），也就是一个单词在文档中出现的次数，次数越多越重要。
- 计算公式：一个单词的词频TF = 单词出现的次数 / 文档中的总单词数
IDF：全称是Inverse Document Frequency，即逆向文档词频，是指一个单词在文档中的区分度。它认为一个单词出现在的文档数越少，这个单词对该文档就越重要，就越能通过这个单词把该文档和其他文档区分开。
- 计算公式：一个单词的逆向文档频率 IDF = log(文档总数 / 该单词出现的文档数 + 1)
- 为了避免分母为0（有些单词可能不在文档中出现），所以在分母上加1

在这里插入图片描述

IDF 是一个相对权重值，公式中log 的底数可以自定义，一般可取2，10，e 为底数。

假设我们现在有一篇文章，文章中共有2000 个单词，“中国”出现100 次。假设全网共有1 亿篇文章，其中包含“中国”的有200 万篇。现在我们要求“中国”的TF-IDF值。

计算过程如下：

TF(中国) = 100 / 2000 = 0.05
IDF(中国) = log(1亿/(200万+1)) = 1.7 # 这里的log 以10 为底
TF-IDF(中国) = 0.05 * 1.7 = 0.085

通过计算文档中单词的TF-IDF 值，我们就可以提取文档中的特征属性，就是把TF-IDF 值较高的单词，作为文档的特征属性。

2.2，TfidfVectorizer 类

sklearn 库的 feature_extraction.text 模块中的 TfidfVectorizer 类，可以计算 TF-IDF 值。

TfidfVectorizer 类的原型如下：

TfidfVectorizer(*, 
  input='content', 
  encoding='utf-8', 
  decode_error='strict', 
  strip_accents=None, 
  lowercase=True, 
  preprocessor=None, 
  tokenizer=None, 
  analyzer='word', 
  stop_words=None, 
  token_pattern='(?u)\b\w\w+\b', 
  ngram_range=(1, 1), 
  max_df=1.0, 
  min_df=1, 
  max_features=None, 
  vocabulary=None, 
  binary=False, 
  dtype=<class 'numpy.float64'>, 
  norm='l2', 
  use_idf=True, 
  smooth_idf=True, 
  sublinear_tf=False)

常用的参数有：

input：有三种取值：
- filename
- file
- content：默认值为content。
analyzer：有三种取值，分别是：
- word：默认值为word。
- char
- char_wb
stop_words：表示停用词，有三种取值：
- english：会加载自带英文停用词。
- None：没有停用词，默认为None。
- List类型的对象：需要用户自行加载停用词。
- 只有当参数 analyzer == 'word' 时才起作用。
token_pattern：表示过滤规则，是一个正则表达式，不符合正则表达式的单词将会被过滤掉。
- 注意默认的 token_pattern 值为 r'(?u)\b\w\w+\b'，匹配两个以上的字符，如果是一个字符则匹配不上。
- 只有参数 analyzer == 'word' 时，正则才起作用。
max_df：用于描述单词在文档中的最高出现率，取值范围为 [0.0~1.0]。
- 比如 max_df=0.6，表示一个单词在 60% 的文档中都出现过，那么认为它只携带了非常少的信息，因此就不作为分词统计。
mid_df：单词在文档中的最低出现率，一般不用设置。

常用的方法有：

t.fit(raw_docs)：用raw_docs 拟合模型。
t.transform(raw_docs)：将 raw_docs 转成矩阵并返回，其中包含了每个单词在每个文档中的 TF-IDF 值。
t.fit_transform(raw_docs)：可理解为先 fit 再 transform。

在上面三个方法中：

t 表示 TfidfVectorizer 对象。
raw_docs 参数是一个可遍历对象，其中的每个元素表示一个文档。

fit_transform 与 transform 的用法

一般在拟合转换数据时，先处理训练集数据，再处理测试集数据。
训练集数据会用于拟合模型，而测试集数据不会用于拟合模型。所以：
- fit_transform 用于训练集数据。
- transform 用于测试集数据，且 transform 必须在 fit_transform 之后。
- 如果测试集数据也用 fit_transform 方法，则会造成过拟合。

下图表达的很清晰明了：

在这里插入图片描述
所以一般的使用步骤是：

# x 为 DictVectorizer，DictVectorizer 等类的对象
# 用于特征提取
x = XXX()

train_features = x.fit_transform(train_datas)
test_features = x.transform(test_datas)

2.3，一个例子

比如我们有如下3 个文档（docs 的每个元素表示一个文档）：

docs = [ 
    'I am a student.',
    'I live in Beijing.',
    'I love China.', 
]

我们用 TfidfVectorizer 类来计算TF-IDF 值：

from sklearn.feature_extraction.text import TfidfVectorizer
t = TfidfVectorizer() # 使用默认参数

用 fit_transform() 方法拟合模型，反回矩阵：

t_matrix = t.fit_transform(docs)

用 get_feature_names() 方法获取所有不重复的特征词：

>>> t.get_feature_names()
['am', 'beijing', 'china', 'in', 'live', 'love', 'student']

不知道你有没有发现，这些特征词中不包含i 和 a ？你能解释一下是为什么吗？

用vocabulary_ 属性获取特征词与ID 的对应关系：

>>> t.vocabulary_
{'am': 0, 'student': 6, 'live': 4, 'in': 3, 'beijing': 1, 'love': 5, 'china': 2}

用 矩阵对象的toarray() 方法输出 TF-IDF 值：

>>> t_matrix.toarray()
array([
  [0.70710678, 0.        , 0.        , 0.        , 0.        , 0.        , 0.70710678],
  [0.        , 0.57735027, 0.        , 0.57735027, 0.57735027, 0.        , 0.        ],
  [0.        , 0.        , 0.70710678, 0.        , 0.        , 0.70710678, 0.        ]
])

3，sklearn 朴素贝叶斯的实现

sklearn 库中的 naive_bayes 模块实现了 5 种朴素贝叶斯算法：

naive_bayes.BernoulliNB 类：伯努利朴素贝叶斯的实现。
- 适用于离散型数据，适合特征变量是布尔变量，符合 0/1 分布，在文档分类中特征是单词是否出现。
- 该算法以文件为粒度，如果该单词在某文件中出现了即为 1，否则为 0。
naive_bayes.CategoricalNB 类：分类朴素贝叶斯的实现。
naive_bayes.GaussianNB 类：高斯朴素贝叶斯的实现。
- 适用于特征变量是连续型数据，符合高斯分布。比如说人的身高，物体的长度等，这种自然界物体。
naive_bayes.MultinomialNB 类：多项式朴素贝叶斯的实现。
- 适用于特征变量是离散型数据，符合多项分布。在文档分类中特征变量体现在一个单词出现的次数，或者是单词的 TF-IDF 值等。
naive_bayes.ComplementNB 类：补充朴素贝叶斯的实现。
- 是多项式朴素贝叶斯算法的一种改进。

每个类名中的NB 后缀是 Naive Bayes 的缩写，即表示朴素贝叶斯。

各个类的原型如下：

BernoulliNB(*, alpha=1.0, binarize=0.0, fit_prior=True, class_prior=None)
CategoricalNB(*, alpha=1.0, fit_prior=True, class_prior=None)
GaussianNB(*, priors=None, var_smoothing=1e-09)
MultinomialNB(*, alpha=1.0, fit_prior=True, class_prior=None)
ComplementNB(*, alpha=1.0, fit_prior=True, class_prior=None, norm=False)

构造方法中的alpha 的含义为平滑参数：

如果一个单词在训练样本中没有出现，这个单词的概率就会是 0。但训练集样本只是整体的抽样情况，不能因为没有观察到，就认为整个事件的概率为 0。为了解决这个问题，需要做平滑处理。
当 alpha=1 时，使用的是 Laplace 平滑。Laplace 平滑就是采用加 1 的方式，来统计没有出现过的单词的概率。这样当训练样本很大的时候，加 1 得到的概率变化可以忽略不计。
当 0<alpha<1 时，使用的是 Lidstone 平滑。对于 Lidstone 平滑来说，alpha 越小，迭代次数越多，精度越高。一般可以设置 alpha 为 0.001。

4，构建模型

我准备了一个实战案例，目录结构如下：

naive_bayes\
    ├── stop_word\
    │   └── stopword.txt
    ├── test_data\
    │   ├── test_economy.txt
    │   ├── test_fun.txt
    │   ├── test_health.txt
    │   └── test_sport.txt
    ├── text_classification.py
    └── train_data\
        ├── train_economy.txt
        ├── train_fun.txt
        ├── train_health.txt
        └── train_sport.txt

其中：

stop_word 目录中是中文停用词。
train_data 目录中是训练集数据。
test_data 目录中是测试集数据。
text_classification.py：是Python 代码，包括以下步骤：
- 中文分词
- 特征提取
- 模型训练
- 模型测试

这些数据是一些新闻数据，每条数据包含了新闻类型和新闻标题，类型有以下四种：

财经类
娱乐类
健康类
体育类

我们的目的是训练一个模型，该模型的输入是新闻标题，模型的输出是新闻类型，也就是想通过新闻标题来判断新闻类型。

来看下数据的样子，每类数据抽取了一条：

财经---11月20日晚间影响市场重要政策消息速递
娱乐---2020金鸡港澳台影展曝片单 修复版《蝶变》等将映
健康---全面解析耳聋耳鸣，让你不再迷茫它的危害
体育---中国军团1人已进32强！赵心童4-1晋级，丁俊晖颜丙涛将出战

可以看到，每条数据以--- 符号分隔，前边是新闻类型，后边是新闻标题。

下面来看下代码：

import os
import sys
import jieba
import warnings
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn import metrics

warnings.filterwarnings('ignore')

if sys.version.startswith('2.'):
    reload(sys)
    sys.setdefaultencoding('utf-8')


def load_file(file_path):
    with open(file_path) as f:
        lines = f.readlines()

    titles = []
    labels = []

    for line in lines:
        line = line.encode('unicode-escape').decode('unicode-escape')
        line = line.strip().rstrip('\n')

        _lines = line.split('---')
        if len(_lines) != 2:
            continue

        label, title = _lines
        words = jieba.cut(title)

        s = ''
        for w in words:
            s += w + ' '

        s = s.strip()

        titles.append(s)
        labels.append(label)

    return titles, labels


def load_data(_dir):
    file_list = os.listdir(_dir)

    titles_list = []
    labels_list = []

    for file_name in file_list:
        file_path = _dir + '/' + file_name

        titles, labels = load_file(file_path)

        titles_list += titles
        labels_list += labels

    return titles_list, labels_list


def load_stopwords(file_path):
    with open(file_path) as f:
        lines = f.readlines()

    words = []
    for line in lines:
        line = line.encode('unicode-escape').decode('unicode-escape')
        line = line.strip('\n')
        words.append(line)

    return words


if __name__ == '__main__':
    # 加载停用词
    stop_words = load_stopwords('stop_word/stopword.txt')

    # 加载训练数据
    train_datas, train_labels = load_data('train_data')

    # 加载测试数据
    test_datas, test_labels = load_data('test_data')

    # 计算单词权重
    tf = TfidfVectorizer(stop_words = stop_words, max_df = 0.5)
    train_features = tf.fit_transform(train_datas)
    test_features = tf.transform(test_datas) 

    # 多项式贝叶斯分类器
    clf = MultinomialNB(alpha = 0.001).fit(train_features, train_labels)

    # 预测数据
    predicted_labels = clf.predict(test_features)

    # 计算准确率
    score = metrics.accuracy_score(test_labels, predicted_labels)
    print score

说明：

load_stopwords 函数用于加载停用词。
load_data 函数用于加载训练集和测试集数据。
使用 fit_transform 方法提取训练集特征。
使用 transform 方法提取测试集特征。
这里使用的是多项式贝叶斯分类器---MultinomialNB，平滑参数设置为0.001。
用fit 方法拟合出了模型。
用 predict 方法对测试数据进行了预测。
最终用 accuracy_score 方法计算了模型的准确度，为 0.959。

5，如何存储模型

实际应用中，训练一个模型需要大量的数据，也就会花费很多时间。

为了方便使用，可以将训练好的模型存储到磁盘上，在使用的时候，直接加载出来就可以使用。

可以使用 sklearn 中的 joblib 模块来存储和加载模型：

joblib.dump(obj, filepath) 方法将obj 存储到 filepath 指定的文件中。
- obj 是要存储的对象。
- filepath 是文件路径。
joblib.load(filepath) 方法用于加载模型。
- filepath 是文件路径。

在上边的例子用，我们需要存储两个对象，分别是：

tf：TF-IDF 值模型。
cfl：朴素贝叶斯模型。

存储代码如下：

from sklearn.externals import joblib
>>> joblib.dump(clf, 'nb.pkl') 
['nb.pkl']
>>> joblib.dump(tf, 'tf.pkl') 
['tf.pkl']

使用模型代码如下：

import jieba
import warnings
from sklearn.externals import joblib

warnings.filterwarnings('ignore')

MODEL = None
TF = None

def load_model(model_path, tf_path):
    global MODEL 
    global TF

    MODEL = joblib.load(model_path)
    TF = joblib.load(tf_path)

def nb_predict(title):
    assert MODEL != None and TF != None
    
    words = jieba.cut(title)
    s = ' '.join(words)

    test_features = TF.transform([s]) 
    predicted_labels = MODEL.predict(test_features)

    return predicted_labels[0]

if __name__ == '__main__':
    # 加载模型
    load_model('nb.pkl', 'tf.pkl')

	# 测试
    print nb_predict('东莞市场采购贸易联网信息平台参加部委首批联合验收')
    print nb_predict('留在中超了！踢进生死战决胜一球，武汉卓尔保级成功')
    print nb_predict('陈思诚全新系列电影《外太空的莫扎特》首曝海报 黄渤、荣梓杉演父子')
    print nb_predict('红薯的好处 常吃这种食物能够帮你减肥')

其中：

load_model() 函数用于加载模型。
nb_predict() 函数用于对新闻标题进行预测，返回标题的类型。

6，总结

本篇文章介绍了如何利用朴素贝叶斯处理文本分类问题：

首先需要对文本进行分词，常用的分词包有：
- jieba 用于中文分词。
- NTLK 用于英文分词。
- 一些中文停用词，供参考。
使用 TfidfVectorizer 计算单词权重。
- 使用 fit_transform 方法提取训练集特征。
- 使用 transform 方法提取测试集特征。
使用 MultinomialNB 类训练模型，这里给出了一个实战项目，供大家参考。
使用 joblib 存储模型，方便模型的使用。