使用Python进行文本分类(一)准备数据:从文本中构建词向量、训练算法:从词向量计算概率

使用Python进行文本分类(一)
准备数据:从文本中构建词向量

def loadDataSet():#创建实验样本
    postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
                 ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
                 ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
                 ['stop', 'posting', 'stupid', 'worthless', 'garbage'],
                 ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
                 ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
    classVec = [0,1,0,1,0,1]
    return postingList,classVec

def createVocabList(dataSet):#将输入文档的不重复词创建为一个列表
    vocabSet = set ([])
    for document in dataSet:
        vocabSet = vocabSet | set(document)
    return list(vocabSet)

def setOfWords2Vec(vocabList, inputSet):#输入为词汇表及文档,判断词汇表中每个词是否在文档中出现过
    returnVec = [0]*len(vocabList)
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)] = 1
        else: print("the word: %s is not in my Vocabulary!" % word)
    return returnVec
>>> listOPosts,listClasses = bayes.loadDataSet()
>>> myVocabList = bayes.createVocabList(listOPosts)
>>> myVocabList
['is', 'flea', 'help', 'cute', 'food', 'stop', 'ate', 'stupid', 'how', 'not', 'maybe', 'take', 'steak', 'has', 'dalmation', 'worthless', 'quit', 'problems', 'garbage', 'love', 'dog', 'my', 'to', 'him', 'posting', 'buying', 'mr', 'licks', 'I', 'so', 'park', 'please']
>>> bayes.setOfWords2Vec(myVocabList,listOPosts[0])
[0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1]
>>> bayes.setOfWords2Vec(myVocabList,listOPosts[1])
[0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 0]

训练算法:从词向量计算概率
用法:zeros(shape, dtype=float, order=’C’)

返回:返回来一个给定形状和类型的用0填充的数组;

参数:shape:形状
dtype:数据类型,可选参数,默认numpy.float64

def trainNB0(trainMatrix,trainCategory):
    numTrainDocs = len(trainMatrix)
    numWords = len(trainMatrix[0])
    pAbusive = sum(trainCategory)/float(numTrainDocs)
    p0Num = zeros(numWords); p1Num = zeros(numWords)      
    p0Denom = 0.0; p1Denom = 0.0                       
    for i in range(numTrainDocs):
        if trainCategory[i] == 1:
            p1Num += trainMatrix[i]
            p1Denom += sum(trainMatrix[i])
        else:
            p0Num += trainMatrix[i]
            p0Denom += sum(trainMatrix[i])
    p1Vect = p1Num/p1Denom         
    p0Vect = p0Num/p0Denom         
    return p0Vect,p1Vect,pAbusive

根据之后的调用,传入的矩阵应该是[[0,0,0,1,1,…], [0,1,…… ] , [ ]…… ]
一个6行32列的矩阵,因为之前统计的不重复的词汇表应该是有32个,文档总共有6个,传入的由标签构成的向量意味着这每一行是否是侮辱性文档。

pAbusive计算的是侮辱性文档的概率6个里面有3个 0.5比较好理解
在判断好 if trainCategory[i] == 1:条件的情况下,
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
p1Num本来时一个具有32个0元素的数组,trainMatrix[i]是i行中是否含有32个不重复词汇的判断,就是[0,1,0,0,0,1……](这只是个例子)
p1Num += trainMatrix[i]按照循环 最后p1Num还是一个32数组,数组里的每个元素都是这5个文档在这个位置有没有i位置不重复词汇的和,就是每个词汇出现的次数
p1Denom += sum(trainMatrix[i]) p1Denom是数值,应该是这5行中侮辱性文档每一行相加的值,就是这32个词汇在侮辱性文档中出现的次数
p1Vect = p1Num/p1Denom 就是在已知文档是否为侮辱性文档的情况下,32个词汇中 每个词汇出现的次数 /32个词汇出现的总次数
起初,一直提醒我这个问题,我查了一下,说是解释器没法区分这个到底是局部变量,还是全局变量,加一个global,这我就很迷了,因为我的变量全部在trainNB0里面啊,我还加了global试了试,结果是,当然不行了,不是这个问题

UnboundLocalError: local variable 'p1Denom' referenced before assignment

没办法,我就找了之前我下的一个机器学习实战的一个代码集和数据集来,是吧,代码这种东西,看起来一样,可能跑起来就不一样了,然后,我就跑出了一个新的不一样的错误,相当无语

>>> import bayes
>>> from imp import reload
>>> reload(bayes)
<module 'bayes' from 'E:\\Python\\bayes.py'>
>>> listOPosts,listClasses = bayes.loadDataSet()
>>> myVocabList = bayes.createVocabList(listOPosts)
>>> trainMat=[]
>>> for postinDoc in listOPosts:
    trainMat.append(bayes.setOfWords2Vec(myVocabList,postinDoc))


>>> p0V,p1V,pAb=bayes.trainNBO(trainMat,listClasses)
Traceback (most recent call last):
  File "<pyshell#9>", line 1, in <module>
    p0V,p1V,pAb=bayes.trainNBO(trainMat,listClasses)
AttributeError: module 'bayes' has no attribute 'trainNBO'

然后,我就又迷了,说我的函数trainNB0没有训练,然后找朋友看,说出了让我吐血三升的一句话,你这个trainNB0是0啊还是O啊
啊 然后我就检查了一下

p0V,p1V,pAb=bayes.trainNB0(trainMat,listClasses)

我当时确实是搞错了,可能之前那个错误也是,我也没法确定,没有保留之前的代码,真是无语了都,学习的过程总是无限踩坑
千呼万唤始出来

>>> import bayes
>>> from imp import reload
>>> reload(bayes)
<module 'bayes' from 'E:\\Python\\bayes.py'>
>>> listOPosts,listClasses = bayes.loadDataSet()
>>> myVocabList = bayes.createVocabList(listOPosts)
>>> trainMat=[]
>>> for postinDoc in listOPosts:
    trainMat.append(bayes.setOfWords2Vec(myVocabList,postinDoc))


>>> p0V,p1V,pAb=bayes.trainNB0(trainMat,listClasses)
>>> pAb
0.5
>>> p0V
array([0.04166667, 0.        , 0.04166667, 0.04166667, 0.        ,
       0.04166667, 0.04166667, 0.04166667, 0.04166667, 0.04166667,
       0.        , 0.        , 0.04166667, 0.        , 0.04166667,
       0.04166667, 0.        , 0.04166667, 0.        , 0.04166667,
       0.04166667, 0.04166667, 0.04166667, 0.04166667, 0.        ,
       0.        , 0.        , 0.04166667, 0.04166667, 0.08333333,
       0.        , 0.125     ])
>>> p1V
array([0.        , 0.05263158, 0.        , 0.        , 0.15789474,
       0.        , 0.        , 0.        , 0.        , 0.05263158,
       0.05263158, 0.05263158, 0.        , 0.05263158, 0.        ,
       0.        , 0.05263158, 0.        , 0.05263158, 0.        ,
       0.        , 0.10526316, 0.        , 0.        , 0.05263158,
       0.10526316, 0.05263158, 0.        , 0.05263158, 0.05263158,
       0.05263158, 0.        ])
  • 0
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 文本分类 #### 数据预处理 要求训练集和测试集分开存储,对于中文数据必须先分词,对分词后的词用空格符分开,并且将标签连接到每条数据的尾部,标签和句子用分隔符\分开。具体的如下: * 今天 的 天气 真好\积极 #### 文件结构介绍 * config文件:配置各种模型的配置参数 * data:存放训练集和测试集 * ckpt_model:存放checkpoint模型文件 * data_helpers:提供数据处理的方法 * pb_model:存放pb模型文件 * outputs:存放vocab,word_to_index, label_to_index, 处理后的数据 * models:存放模型代码 * trainers:存放训练代码 * predictors:存放预测代码 #### 训练模型 * python train.py --config_path="config/textcnn_config.json" #### 预测模型 * 预测代码都在predictors/predict.py,初始化Predictor对象,调用predict方法即可。 #### 模型的配置参数详述 ##### textcnn:基于textcnn的文本分类 * model_name:模型名称 * epochs:全样本迭代次数 * checkpoint_every:迭代多少步保存一次模型文件 * eval_every:迭代多少步验证一次模型 * learning_rate:学习速率 * optimization:优化算法 * embedding_size:embedding层大小 * num_filters:卷积核的数量 * filter_sizes:卷积核的尺寸 * batch_size:批样本大小 * sequence_length:序列长度 * vocab_size:词汇表大小 * num_classes:样本的类别数,二分类时置为1,多分类时置为实际类别数 * keep_prob:保留神经元的比例 * l2_reg_lambda:L2正则化的系数,主要对全连接层的参数正则化 * max_grad_norm:梯度阶段临界值 * train_data:训练数据的存储路径 * eval_data:验证数据的存储路径 * stop_word:停用词表的存储路径 * output_path:输出路径,用来存储vocab,处理后的训练数据,验证数据 * word_vectors_path:词向量的路径 * ckpt_model_path:checkpoint 模型的存储路径 * pb_model_path:pb 模型的存储路径 ##### bilstm:基于bilstm的文本分类 * model_name:模型名称 * epochs:全样本迭代次数 * checkpoint_every:迭代多少步保存一次模型文件 * eval_every:迭代多少步验证一次模型 * learning_rate:学习速率 * optimization:优化算法 * embedding_size:embedding层大小 * hidden_sizes:lstm的隐层大小,列表对象,支持多层lstm,只要在列表添加相应的层对应的隐层大小 * batch_size:批样本大小 * sequence_length:序列长度 * vocab_size:词汇表大小 * num_classes:样本的类别数,二分类时置为1,多分类时置为实际类别数 * keep_prob:保留神经元的比例 * l2_reg_lambda:L2正则化的系数,主要对全连接层的参数正则化 * max_grad_norm:梯度阶段临界值 * train_data:训练数据的存储路径 * eval_data:验证数据的存储路径 * stop_word:停用词表的存储路径 * output_path:输出路径,用来存储vocab,处理后的训练数据,验证数据 * word_vectors_path:词向量的路径 * ckpt_model_path:checkpoint 模型的存储路径 * pb_model_path:pb 模型的存储路径 ##### bilstm atten:基于bilstm + attention 的文本分类 * model_name:模型名称 * epochs:全样本迭代次数 * checkpoint_every:迭代多少步保存一次模型文件 * eval_every:迭代多少步验证一次模型 * learning_rate:学习速率 * optimization:优化算法 * embedding_size:embedding层大小 * hidd
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值