基於機器學習的文字分類NLP基本介紹
阿新 • • 發佈:2020-08-04
學習目的:
1 學會TF-IDF的原理和使用 2 使用sklearn的機器學習模型完成文字分類
處理文字方法:
1 One-hot(獨熱編碼) 2 Bag of Words(詞袋) 3 N-gram 4 TF-IDF 分數
下面具體介紹每種方法
one-hot:即將每一個單詞使用一個離散的向量表示。具體將每個字/詞編碼一個索引,然後根據索引進行賦值
如:
句子1:我 愛 北 京 天 安 門 句子2:我 喜 歡 上 海
首先對所有句子的字進行索引,即將每個字確定一個編號: {'我': 1, '愛': 2, '北': 3, '京': 4, '天': 5, '安': 6, '門': 7, '喜': 8, '歡': 9, '上': 10, '海': 11}
得到有個11維的稀疏矩陣 我:[1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0] 愛:[0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0] ... 海:[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1]
Bag of Words(詞袋錶示),也稱為Count Vectors,每個文件的字/詞可以使用其出現次數來進行表示
#直接統計每個字出現的次數,並進行賦值: 句子1:我 愛 北 京 天 安 門 轉換為 [1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0] 句子2:我 喜 歡 上 海 轉換為 [1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1]
在sklearn中可以直接CountVectorizer
來實現這一步驟
from sklearn.feature_extraction.text import CountVectorizer corpus = [ 'This is the first document.', 'This document is the second document.', 'And this is the third one.', 'Is this the first document?', ] vectorizer = CountVectorizer() vectorizer.fit_transform(corpus).toarray()
N-gram與Count Vectors類似,不過加入了相鄰單詞組合成為新的單詞,並進行計數
如果N取值為2,則句子1和句子2就變為:
句子1:我愛 愛北 北京 京天 天安 安門
句子2:我喜 喜歡 歡上 上海
TF-IDF 分數由兩部分組成:
第一部分是詞語頻率(Term Frequency),第二部分是逆文件頻率(Inverse Document Frequency)。
其中計算語料庫中文件總數除以含有該詞語的文件數量,然後再取對數就是逆文件頻率
1 TF(t)= 該詞語在當前文件出現的次數 / 當前文件中詞語的總數 2 IDF(t)= log_e(文件總數 / 出現該詞語的文件總數)
程式碼實現
# Count Vectors + RidgeClassifier import pandas as pd from sklearn.feature_extraction.text import CountVectorizer from sklearn.linear_model import RidgeClassifier from sklearn.metrics import f1_score train_df = pd.read_csv('../data/train_set.csv', sep='\t', nrows=15000) vectorizer = CountVectorizer(max_features=3000) train_test = vectorizer.fit_transform(train_df['text']) clf = RidgeClassifier() clf.fit(train_test[:10000], train_df['label'].values[:10000]) val_pred = clf.predict(train_test[10000:]) print(f1_score(train_df['label'].values[10000:], val_pred, average='macro')) # 0.74
# TF-IDF + RidgeClassifier import pandas as pd from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.linear_model import RidgeClassifier from sklearn.metrics import f1_score train_df = pd.read_csv('../data/train_set.csv', sep='\t', nrows=15000) tfidf = TfidfVectorizer(ngram_range=(1,3), max_features=3000) train_test = tfidf.fit_transform(train_df['text']) clf = RidgeClassifier() clf.fit(train_test[:10000], train_df['label'].values[:10000]) val_pred = clf.predict(train_test[10000:]) print(f1_score(train_df['label'].values[10000:], val_pred, average='macro')) # 0.87