应用scikit-learn做文本分类

转载地址：http://blog.csdn.net/abcjennifer/article/details/23615947

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

从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

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

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

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

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

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

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

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

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

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

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

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