Task03-基于机器学习的文本分类
学习目标
- 学会TF-IDF的原理和使用
- 使用sklearn的机器学习模型完成文本分类
理论储备
- TF-IDF名词解释:
词频(Term Frequency,TF) 指的是在一份给定的文件里,某一个给定的词语在该文件中出现的次数。这个数字通常会被归一化(分子一般小于分母,区别于IDF),以防止它偏向长的文件。(同一个西域在长文件里可能会比短文件由更高的词频,而不管该词语是否重要)
逆向文件频率(Inverse document frequency,IDF) 是一个词语普遍重要性的度量。某一特定词语的IDF,可以由总文件数目除以包含该词语的文件的数目,再将得到的商取对数得到。
某一特定文件内的高词频,以及该词语在整个文件集合中的低文件频率,可以产生高出权重的TF-IDF。因此,TF-IDF倾向于过滤掉常见的词语,保留重要的词语。 - TF-IDF主要思想:
若某个词或短语在一篇文章中出现的频率高(即TF高),而在其他文章中很少出现,则认为此词或者短语具有很好的分类功能。TF-IDF实际上是:TF*IDF,TFIDF值越大表示该特征词对这个文本的重要性越大。
文本表示方法
One-hot
文本表示成计算机能够运算的数字或向量的方法一般称为词嵌入(Word Embedding)方法。词嵌入将不定长的文本转换到定长的空间内,是文本分类的第一步。
Bag of Words
Bag of Words(词袋表示)也称Count Vectors,每个文档的字/词可以使用其出现的次数来进行表示。
在sklearn中可以直接用CountVectorizer来实现这一步骤:
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()
基于机器学习的文本分类
Count Vectors+RidgeClassifier
- 使用F1得分来表示学习的分类精度
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('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'))
# 0.65
(额…我训练出来的精度只有0.65,有的训练出来是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('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
本章作业
- 尝试改变TF-IDF的参数,并验证精度
- 尝试使用其他的机器学习模型,完成训练和验证
clf = RidgeClassifier()
clf.fit(train_test[:100000], train_df['label'].values[:100000])
val_pred = clf.predict(train_test[100000:])
print(f1_score(train_df['label'].values[100000:], val_pred, average='macro'))
# 0.89
扩大训练样本,精度提高了0.02