python文本分类特征选择_文本挖掘之特征选择(python 实现)

机器学习算法的空间、时间复杂度依赖于输入数据的规模，维度规约(Dimensionality reduction)则是一种被用于降低输入数据维数的方法。维度规约可以分为两类：

特征选择(feature selection)，从原始的d维空间中，选择为我们提供信息最多的k个维(这k个维属于原始空间的子集)

特征提取(feature extraction)，将原始的d维空间映射到k维空间中(新的k维空间不输入原始空间的子集)

在文本挖掘与文本分类的有关问题中，常采用特征选择方法。原因是文本的特征一般都是单词(term)，具有语义信息，使用特征选择找出的k维子集，仍然是单词作为特征，保留了语义信息，而特征提取则找k维新空间，将会丧失了语义信息。

对于一个语料而言，我们可以统计的信息包括文档频率和文档类比例，所有的特征选择方法均依赖于这两个统计量，目前，文本的特征选择方法主要有：DF, MI, IG, CHI，WLLR,WFO六种。

为了方便描述，我们首先一些概率上的定义：

p(t):一篇文档x包含特征词t的概率。

:文档x不属于Ci的概率。

p(Ci|t):已知文档x的包括某个特征词t条件下，该文档属于Ci的概率

: 已知文档属于Ci条件下，该文档不包括特征词t的概率

类似的其他的一些概率如p(Ci),

，

等，有着类似的定义。

为了估计这些概率，我们需要通过统计训练样本的相关频率信息，如下表：

其中：

Aij:包含特征词ti，并且类别属于Cj的文档数量 Bij: 包含特征词ti，并且类别属于不Cj的文档数量

Cij：不包含特征词ti，并且类别属于Cj的文档数量 Dij：不包含特征词ti，并且类别属于不Cj的文档数量

Aij + Bij: 包含特征词ti的文档数量 Cij+ Dij：不包含特征词ti的文档数量

Aij + Cij：Cj类的文档数量数据 Bij + Dij：非Cj类的文档数量数据

Aij + Bij+ Cij+ Dij= N :语料中所有文档数量。

有了这些统计量，有关概率的估算就变得容易，如：

p(ti) = (Aij + Bij) / N; p(Cj) = (Aij + Cij) / N;

p(Cj|tj) = Aij / (Aij + Bij)

......类似的一些概率计算可以依照上表计算。

介绍了事情发展的前因，现在进入正题：常见的四种特征选择方法如何计算。

1）DF(Document Frequency)

DF:统计特征词出现的文档数量，用来衡量某个特征词的重要性，DF的定义如下：

DF的动机是，如果某些特征词在文档中经常出现，那么这个词就可能很重要。而对于在文档中出现很少(如仅在语料中出现1次)特征词，携带了很少的信息量，甚至是"噪声"，这些特征词，对分类器学习影响也是很小。

DF特征选择方法属于无监督的学习算法(也有将其改成有监督的算法，但是大部分情况都作为无监督算法使用)，仅考虑了频率因素而没有考虑类别因素，因此，DF算法的将会引入一些没有意义的词。如中文的"的"、"是"， "个"等，常常具有很高的DF得分，但是，对分类并没有多大的意义。

2）MI(Mutual Information)

互信息法用于衡量特征词与文档类别直接的信息量，互信息法的定义如下：

继续推导MI的定义公式：

从上面的公式上看出：如果某个特征词的频率很低，那么互信息得分就会很大，因此互信息法倾向"低频"的特征词。相对的词频很高的词，得分就会变低，如果这词携带了很高的信息量，互信息法就会变得低效。

3）IG(Information Gain)

信息增益法，通过某个特征词的缺失与存在的两种情况下，语料中前后信息的增加，衡量某个特征词的重要性。

信息增益的定义如下：

依据IG的定义，每个特征词ti的IG得分前面一部分：

计算值是一样，可以省略。因此，IG的计算公式如下：

IG与MI存在关系：

因此，IG方式实际上就是互信息

与互信息

加权。

4）CHI(Chi-square)

CHI特征选择算法利用了统计学中的"假设检验"的基本思想：首先假设特征词与类别直接是不相关的，如果利用CHI分布计算出的检验值偏离阈值越大，那么更有信心否定原假设，接受原假设的备则假设：特征词与类别有着很高的关联度。CHI的定义如下：

对于一个给定的语料而言，文档的总数N以及Cj类文档的数量，非Cj类文档的数量，他们都是一个定值，因此CHI的计算公式可以简化为：

CHI特征选择方法，综合考虑文档频率与类别比例两个因素

5）WLLR(Weighted Log Likelihood Ration)

WLLR特征选择方法的定义如下：

计算公式如下：

6)WFO（Weighted Frequency and Odds）

最后一个介绍的算法，是由苏大李寿山老师提出的算法。通过以上的五种算法的分析，李寿山老师认为，"好"的特征应该有以下特点：

好的特征应该有较高的文档频率

好的特征应该有较高的文档类别比例

WFO的算法定义如下：

如果

：

否则：

不同的语料，一般来说文档词频与文档的类别比例起的作用应该是不一样的，WFO方法可以通过调整参数

，找出一个较好的特征选择依据。

-----------------------------------------分割线---------------------------------------------

介绍完理论部分，就要给出代码了（只给出公式，不给出代码的都是调戏良家的行为~）。文本挖掘之文本表示一文，利用了sklearn开源工具，自然先首先sklearn工具，可惜的是sklearn文本的特征选择方法仅提供了CHI一种。为此在sklearn框架下，尝试自己编写这些特征选择方法的代码，自己动手，丰衣足食。

笔者实现了三种特征选择方法：IG,MI和WLLR，看官如果对其他特征选择方法感兴趣，可以尝试实现一下~ 好了，啥也不说了，上代码，特征选择模块代码：

#!/usr/bin/env python#coding=gbk

importosimportsysimportnumpy as npdefget_term_dict(doc_terms_list):

term_set_dict={}for doc_terms indoc_terms_list:for term indoc_terms:

term_set_dict[term]= 1term_set_list= sorted(term_set_dict.keys()) #term set 排序后，按照索引做出字典

term_set_dict =dict(zip(term_set_list, range(len(term_set_list))))returnterm_set_dictdefget_class_dict(doc_class_list):

class_set=sorted(list(set(doc_class_list)))

class_dict=dict(zip(class_set, range(len(class_set))))returnclass_dictdefstats_term_df(doc_terms_list, term_dict):

term_df_dict={}.fromkeys(term_dict.keys(), 0)for term interm_set:for doc_terms indoc_terms_list:if term indoc_terms_list:

term_df_dict[term]+=1

returnterm_df_dictdefstats_class_df(doc_class_list, class_dict):

class_df_list= [0] *len(class_dict)for doc_class indoc_class_list:

class_df_list[class_dict[doc_class]]+= 1

returnclass_df_listdefstats_term_class_df(doc_terms_list, doc_class_list, term_dict, class_dict):

term_class_df_mat=np.zeros((len(term_dict), len(class_dict)), np.float32)for k inrange(len(doc_class_list)):

class_index=class_dict[doc_class_list[k]]

doc_terms=doc_terms_list[k]for term inset(doc_terms):

term_index=term_dict[term]

term_class_df_mat[term_index][class_index]+=1

returnterm_class_df_matdeffeature_selection_mi(class_df_list, term_set, term_class_df_mat):

A=term_class_df_mat

B= np.array([(sum(x) - x).tolist() for x inA])

C= np.tile(class_df_list, (A.shape[0], 1)) -A

N=sum(class_df_list)

class_set_size=len(class_df_list)

term_score_mat= np.log(((A+1.0)*N) / ((A+C) * (A+B+class_set_size)))

term_score_max_list= [max(x) for x interm_score_mat]

term_score_array=np.array(term_score_max_list)

sorted_term_score_index= term_score_array.argsort()[: : -1]

term_set_fs= [term_set[index] for index insorted_term_score_index]returnterm_set_fsdeffeature_selection_ig(class_df_list, term_set, term_class_df_mat):

A=term_class_df_mat

B= np.array([(sum(x) - x).tolist() for x inA])

C= np.tile(class_df_list, (A.shape[0], 1)) -A

N=sum(class_df_list)

D= N - A - B -C

term_df_array= np.sum(A, axis = 1)

class_set_size=len(class_df_list)

p_t= term_df_array /N

p_not_t= 1 -p_t

p_c_t_mat= (A + 1) / (A + B +class_set_size)

p_c_not_t_mat= (C+1) / (C + D +class_set_size)

p_c_t= np.sum(p_c_t_mat * np.log(p_c_t_mat), axis =1)

p_c_not_t= np.sum(p_c_not_t_mat * np.log(p_c_not_t_mat), axis =1)

term_score_array= p_t * p_c_t + p_not_t *p_c_not_t

sorted_term_score_index= term_score_array.argsort()[: : -1]

term_set_fs= [term_set[index] for index insorted_term_score_index]returnterm_set_fsdeffeature_selection_wllr(class_df_list, term_set, term_class_df_mat):

A=term_class_df_mat

B= np.array([(sum(x) - x).tolist() for x inA])

C_Total= np.tile(class_df_list, (A.shape[0], 1))

N=sum(class_df_list)

C_Total_Not= N -C_Total

term_set_size=len(term_set)

p_t_c= (A + 1E-6) / (C_Total + 1E-6 *term_set_size)

p_t_not_c= (B + 1E-6) / (C_Total_Not + 1E-6 *term_set_size)

term_score_mat= p_t_c * np.log(p_t_c /p_t_not_c)

term_score_max_list= [max(x) for x interm_score_mat]

term_score_array=np.array(term_score_max_list)

sorted_term_score_index= term_score_array.argsort()[: : -1]

term_set_fs= [term_set[index] for index insorted_term_score_index]print term_set_fs[:10]returnterm_set_fsdeffeature_selection(doc_terms_list, doc_class_list, fs_method):

class_dict=get_class_dict(doc_class_list)

term_dict=get_term_dict(doc_terms_list)

class_df_list=stats_class_df(doc_class_list, class_dict)

term_class_df_mat=stats_term_class_df(doc_terms_list, doc_class_list, term_dict, class_dict)

term_set= [term[0] for term in sorted(term_dict.items(), key = lambda x : x[1])]

term_set_fs=[]if fs_method == 'MI':

term_set_fs=feature_selection_mi(class_df_list, term_set, term_class_df_mat)elif fs_method == 'IG':

term_set_fs=feature_selection_ig(class_df_list, term_set, term_class_df_mat)elif fs_method == 'WLLR':

term_set_fs=feature_selection_wllr(class_df_list, term_set, term_class_df_mat)returnterm_set_fs

在movie语料里面比较着三种特征选择方法，调用方法如下：

#!/usr/bin/env python#coding=gbk

importosimportsysimportnumpy as npimportmatplotlib.pyplot as pltfrom sklearn.datasets importload_filesfrom sklearn.cross_validation importtrain_test_splitfrom sklearn.feature_extraction.text importCountVectorizerfrom sklearn.naive_bayes importMultinomialNBimportfeature_selectiondeftext_classifly_twang(dataset_dir_name, fs_method, fs_num):print 'Loading dataset, 80% for training, 20% for testing...'movie_reviews=load_files(dataset_dir_name)

doc_str_list_train, doc_str_list_test, doc_class_list_train, doc_class_list_test= train_test_split(movie_reviews.data, movie_reviews.target, test_size = 0.2, random_state =0)print 'Feature selection...'

print 'fs method:' + fs_method, 'fs num:' +str(fs_num)

vectorizer= CountVectorizer(binary =True)

word_tokenizer=vectorizer.build_tokenizer()

doc_terms_list_train= [word_tokenizer(doc_str) for doc_str indoc_str_list_train]

term_set_fs=feature_selection.feature_selection(doc_terms_list_train, doc_class_list_train, fs_method)[:fs_num]print 'Building VSM model...'term_dict=dict(zip(term_set_fs, range(len(term_set_fs))))

vectorizer.fixed_vocabulary=True

vectorizer.vocabulary_=term_dict

doc_train_vec=vectorizer.fit_transform(doc_str_list_train)

doc_test_vec=vectorizer.transform(doc_str_list_test)

clf= MultinomialNB().fit(doc_train_vec, doc_class_list_train) #调用MultinomialNB分类器

doc_test_predicted =clf.predict(doc_test_vec)

acc= np.mean(doc_test_predicted ==doc_class_list_test)print 'Accuracy:', accreturnaccif __name__ == '__main__':

dataset_dir_name= sys.argv[1]

fs_method_list= ['IG', 'MI', 'WLLR']

fs_num_list= range(25000, 35000, 1000)

acc_dict={}for fs_method infs_method_list:

acc_list=[]for fs_num infs_num_list:

acc=text_classifly_twang(dataset_dir_name, fs_method, fs_num)

acc_list.append(acc)

acc_dict[fs_method]=acc_listprint 'fs method:', acc_dict[fs_method]for fs_method infs_method_list:

plt.plot(fs_num_list, acc_dict[fs_method],'--^', label =fs_method)

plt.title('feature selection')

plt.xlabel('fs num')

plt.ylabel('accuracy')

plt.ylim((0.82, 0.86))

plt.legend( loc='upper left', numpoints = 1)

plt.show()

输出的结果：

从上面的图看出：分类的性能随着特征选择的数量的增加，呈现“凸”形趋势：1）在特征数量较少的情况下，不断增加特征的数量，有利于提高分类器的性能，呈现“上升”趋势；2）随着特征数量的不断增加，将会引入一些不重要的特征，甚至是噪声，因此，分类器的性能将会呈现“下降”的趋势。这张“凸”形趋势体现出了特征选择的重要性：选择出重要的特征，并降低噪声，提高算法的泛化能力。

参数文献：

1.Y. Yang and J. Pedersen. 1997. A comparative study on feature selection in text categorization.

2.Shoushan Li, Rui Xia, Chengqing Zong and Chu-Ren Huang.2009.A Framework of Feature Selection Methods for Text Categorization

3.老板的课件