决策树IMDB数据集电影评测分类

决策树IMDB数据集电影评测分类（二分类问题）

1. 数据集讲解：

该数据集是IMDB电影数据集的一个子集，已经划分好了测试集和训练集，训练集包括25000条电影评论，测试集也有25000条，该数据集已经经过预处理，将每条评论的具体单词序列转化为词库里的整数序列，其中每个整数代表该单词在词库里的位置。例如，整数104代表该单词是词库的第104个单词。为实验简单，词库仅仅保留了10000个最常出现的单词，低频词汇被舍弃。每条评论都具有一个标签，0表示为负面评论，1表示为正面评论。

训练数据在train_data.txt文件下，每一行为一条评论，训练集标签在train_labels.txt文件下，每一行为一条评论的标签；测试数据在test_data.txt文件下，测试数据标签未给出。

2. 代码实现：

a) 取出数据集：

从txt中取出训练集与测试集：

with open("test/test_data.txt", "rb") as fr:

  test_data_n = [inst.decode().strip().split(' ') for inst in fr.readlines()]

  test_data = [[int(element) for element in line] for line in test_data_n]

test_data = np.array(test_data)

b) 数据处理：

对每条评论，先将其解码为英文单词，再键值颠倒，将整数索引映射为单词。

把整数序列编码为二进制序列。

最后把训练集标签向量化。

# 将某条评论解码为英文单词

word_index = imdb.get_word_index() # word_index是一个将单词映射为整数索引的字典

reverse_word_index = dict([(value, key) for (key, value) in word_index.items()])

 

\# 键值颠倒，将整数索引映射为单词

decode_review = ' '.join(

  [reverse_word_index.get(i - 3, '?') for i in train_data[0]]

) 

\# 将评论解码

\# 注意，索引减去了3，因为0,1,2是为padding填充

\# "start sequence"序列开始，"unknow"未知词分别保留的索引

 

\# 将整数序列编码为二进制矩阵

def vectorize_sequences(sequences, dimension=10000):

  results = np.zeros((len(sequences), dimension)) # 创建一个形状为(len(sequences), dimension)的矩阵

  for i, sequence in enumerate(sequences):

​    results[i, sequence] = 1 # 将results[i]的指定索引设为 1

  return results

 

x_train = vectorize_sequences(train_data)

x_test = vectorize_sequences(test_data)

\# 标签向量化

y_train = np.asarray(train_labels).astype('float32')

 

c) 建立决策树：

decision_tree_classifier = DecisionTreeClassifier()

decision_tree_classifier.fit(x_train, y_train)

d) 输出测试集上的预测结果：

将结果写入txt

decision_tree_output = decision_tree_classifier.predict(x_test)

des = decision_tree_output.astype(int)

np.savetxt('Text3_result.txt', des, fmt='%d', delimiter='\n')

print(decision_tree_output)

3. 参数调整：

使用设置max_depth控制树的深度，置random_state = 30 不变，使用for循环寻找，发现深度为25时，accuracy_score最大。

​

4. 实验结果：

分离出一部分作为测试集，在测试集上的accuracy_score不太理想：

考虑应该是决策树模型并不适合处理该问题。