python文本情感分析 逻辑回归_用Python开始机器学习（7：逻辑回归分类） --好！！...

from : http://blog.csdn.net/lsldd/article/details/41551797

在本系列文章中提到过用Python开始机器学习（3：数据拟合与广义线性回归）中提到过回归算法来进行数值预测。逻辑回归算法本质还是回归，只是其引入了逻辑函数来帮助其分类。实践发现，逻辑回归在文本分类领域表现的也很优秀。现在让我们来一探究竟。

1、逻辑函数

假设数据集有n个独立的特征，x1到xn为样本的n个特征。常规的回归算法的目标是拟合出一个多项式函数，使得预测值与真实值的误差最小：

而我们希望这样的f(x)能够具有很好的逻辑判断性质，最好是能够直接表达具有特征x的样本被分到某类的概率。比如f(x)>0.5的时候能够表示x被分为正类，f(x)<0.5表示分为反类。而且我们希望f(x)总在[0, 1]之间。有这样的函数吗？

sigmoid函数就出现了。这个函数的定义如下：

sigmoid函数具有我们需要的一切优美特性，其定义域在全体实数，值域在[0, 1]之间，并且在0点值为0.5。

那么，如何将f(x)转变为sigmoid函数呢？令p(x)=1为具有特征x的样本被分到类别1的概率，则p(x)/[1-p(x)]被定义为让步比(odds ratio)。引入对数：

上式很容易就能把p(x)解出来得到下式：

现在，我们得到了需要的sigmoid函数。接下来只需要和往常的线性回归一样，拟合出该式中n个参数c即可。

2、测试数据

测试数据我们仍然选择康奈尔大学网站的2M影评数据集。

在这个数据集上我们已经测试过KNN分类算法、朴素贝叶斯分类算法。现在我们看看罗辑回归分类算法在处理此类情感分类问题效果如何。

同样的，我们直接读入保存好的movie_data.npy和movie_target.npy以节省时间。

3、代码与分析

逻辑回归的代码如下：

# -*- coding: utf-8 -*-

from matplotlib import pyplot

import scipy as sp

import numpy as np

from matplotlib import pylab

from sklearn.datasets import load_files

from sklearn.cross_validation import train_test_split

from sklearn.feature_extraction.text import CountVectorizer

from sklearn.feature_extraction.text import TfidfVectorizer

from sklearn.naive_bayes import MultinomialNB

from sklearn.metrics import precision_recall_curve, roc_curve, auc

from sklearn.metrics import classification_report

from sklearn.linear_model import LogisticRegression

import time

start_time = time.time()

#绘制R/P曲线

def plot_pr(auc_score, precision, recall, label=None):

pylab.figure(num=None, figsize=(6, 5))

pylab.xlim([0.0, 1.0])

pylab.ylim([0.0, 1.0])

pylab.xlabel('Recall')

pylab.ylabel('Precision')

pylab.title('P/R (AUC=%0.2f) / %s' % (auc_score, label))

pylab.fill_between(recall, precision, alpha=0.5)

pylab.grid(True, linestyle='-', color='0.75')

pylab.plot(recall, precision, lw=1)

pylab.show()

#读取

movie_data = sp.load('movie_data.npy')

movie_target = sp.load('movie_target.npy')

x = movie_data

y = movie_target

#BOOL型特征下的向量空间模型，注意，测试样本调用的是transform接口

count_vec = TfidfVectorizer(binary = False, decode_error = 'ignore',\

stop_words = 'english')

average = 0

testNum = 10

for i in range(0, testNum):

#加载数据集，切分数据集80%训练，20%测试

x_train, x_test, y_train, y_test\

= train_test_split(movie_data, movie_target, test_size = 0.2)

x_train = count_vec.fit_transform(x_train)

x_test = count_vec.transform(x_test)

#训练LR分类器

clf = LogisticRegression()

clf.fit(x_train, y_train)

y_pred = clf.predict(x_test)

p = np.mean(y_pred == y_test)

print(p)

average += p

#准确率与召回率

answer = clf.predict_proba(x_test)[:,1]

precision, recall, thresholds = precision_recall_curve(y_test, answer)

report = answer > 0.5

print(classification_report(y_test, report, target_names = ['neg', 'pos']))

print("average precision:", average/testNum)

print("time spent:", time.time() - start_time)

plot_pr(0.5, precision, recall, "pos")

代码运行结果如下：

0.8

0.817857142857

0.775

0.825

0.807142857143

0.789285714286

0.839285714286

0.846428571429

0.764285714286

0.771428571429

precision recall f1-score support

neg 0.74 0.80 0.77 132

pos 0.81 0.74 0.77 148

avg / total 0.77 0.77 0.77 280

average precision: 0.803571428571

time spent: 9.651551961898804

首先注意我们连续测试了10组测试样本，最后统计出准确率的平均值。另外一种好的测试方法是K折交叉检验（K-Fold）。这样都能更加准确的评估分类器的性能，考察分类器对噪音的敏感性。

其次我们注意看最后的图，这张图就是使用precision_recall_curve绘制出来的P/R曲线（precition/Recall）。结合P/R图，我们能对逻辑回归有更进一步的理解。

前文我们说过，通常我们使用0.5来做划分两类的依据。而结合P/R分析，阈值的选取是可以更加灵活和优秀的。

在上图可以看到，如果选择的阈值过低，那么更多的测试样本都将分为1类。因此召回率能够得到提升，显然准确率牺牲相应准确率。

比如本例中，或许我会选择0.42作为划分值——因为该点的准确率和召回率都很高。

最后给一些比较好的资源：