Task04:基于深度学习的文本分类1-fastText

基于FastText的文本分类

step1.转换为FastText需要的格式

import pandas as pd
from sklearn.metrics import f1_score

train_df = pd.read_csv('/Users/summer/Desktop/xul_data/learning/DataWhale/20200719NLP/task01_preparing_20200719/input/train_set.csv', *sep*='t', *nrows*=15000)

train_df['label_ft'] = '__label__' + train_df['label'].astype(*str*)

train_df[['text','label_ft']].iloc[:-5000].to_csv('train.csv', *index*=None, *header*=None, *sep*='t')

step2.FastText分类

import fasttext
model = fasttext.train_supervised('train.csv', *lr*=1.0, *wordNgrams*=2, *verbose*=2, *minCount*=1, *epoch*=25, *loss*="hs")

val_pred = [model.predict(x)[0][0].split('__')[-1] for x in train_df.iloc[-5000:]['text']]

print(f1_score(train_df['label'].values[-5000:].astype(*str*), val_pred, *average*='macro'))

Output:

>>> 0.824871229687983

test:增加样本量至10w

train_df2 = pd.read_csv('/Users/summer/Desktop/xul_data/learning/DataWhale/20200719NLP/task01_preparing_20200719/input/train_set.csv', *sep*='t', *nrows*=100000)

train_df2['label_ft'] = '__label__' + train_df2['label'].astype(*str*)

train_df2[['text','label_ft']].iloc[:-5000].to_csv('train.csv', *index*=None, *header*=None, *sep*='t')\

model2 = fasttext.train_supervised('train.csv', *lr*=1.0, *wordNgrams*=2, *verbose*=2, *minCount*=1, *epoch*=25, *loss*="hs")


val_pred2 = [model2.predict(x)[0][0].split('__')[-1] for x in train_df2.iloc[-5000:]['text']]

print(f1_score(train_df2['label'].values[-5000:].astype(*str*), val_pred2, *average*='macro'))

Output:

>>> 0.9031919041861232

本章作业

'''
Todo: 1.阅读文档,弄清楚参数的大致含义,哪些参数会增加模型的复杂度 2.在验证集上进行验证模型精度,找到模型在是否过拟合还是欠拟合

参考:
https://pypi.org/project/fasttext/
https://zhuanlan.zhihu.com/p/66739066
'''

阅读FastText的文档,尝试修改参数,得到更好的分数

# def train_model(ipt=None, opt=None, model='', dim=100, epoch=5, lr=0.1, loss='softmax'):
#     np.set_printoptions(suppress=True)
#     if os.path.isfile(model):
#         classifier = fasttext.load_model(model)
#     else:
#         classifier = fasttext.train_supervised(ipt, label='__label__', dim=dim, epoch=epoch, lr=lr, wordNgrams=2, loss=loss)
#         """
#           训练一个监督模型, 返回一个模型对象
#           @param input:           训练数据文件路径
#           @param lr:              学习率
#           @param dim:             向量维度
#           @param ws:              cbow模型时使用
#           @param epoch:           次数
#           @param minCount:        词频阈值, 小于该值在初始化时会过滤掉
#           @param minCountLabel:   类别阈值,类别小于该值初始化时会过滤掉
#           @param minn:            构造subword时最小char个数
#           @param maxn:            构造subword时最大char个数
#           @param neg:             负采样
#           @param wordNgrams:      n-gram个数
#           @param loss:            损失函数类型, softmax, ns: 负采样, hs: 分层softmax
#           @param bucket:          词扩充大小, [A, B]: A语料中包含的词向量, B不在语料中的词向量
#           @param thread:          线程个数, 每个线程处理输入数据的一段, 0号线程负责loss输出
#           @param lrUpdateRate:    学习率更新
#           @param t:               负采样阈值
#           @param label:           类别前缀
#           @param verbose:         ??
#           @param pretrainedVectors: 预训练的词向量文件路径, 如果word出现在文件夹中初始化不再随机
#           @return model object
#         """
#         classifier.save_model(opt)
#     return classifier


# dim = 100
# lr = 5
# epoch = 5
# model = f'data_dim{str(dim)}_lr0{str(lr)}_iter{str(epoch)}.model'

# classifier = train_model(ipt='data_train.txt',
#                          opt=model,
#                          model=model,
#                          dim=dim, epoch=epoch, lr=0.5
#                          )

# result = classifier.test('data_test.txt')
# print(result)

model3 = fasttext.train_supervised('train.csv', *lr*=1.0, *wordNgrams*=5,*verbose*=2, *minCount*=1, *epoch*=25, *loss*="hs")

val_pred3 = [model3.predict(x)[0][0].split('__')[-1] for x in train_df2.iloc[-5000:]['text']]

print(f1_score(train_df2['label'].values[-5000:].astype(*str*), val_pred3, *average*='macro'))

Output:

# 原始:lr=1.0, wordNgrams=2, verbose=2, minCount=1, epoch=25, loss="hs" 
## >>> 0.9031919041861232


# 参数调整,学习率、向量维度、次数、词频阈值、n-gram个数
## lr=5.0, wordNgrams=2, verbose=2, minCount=5, epoch=50, loss="hs" 
## >>> 0.8965417666847781

## lr=0.5, wordNgrams=2, dim=128, verbose=2, minCount=5, epoch=50, loss="hs" 
## >>> 0.900467944939494

## lr=0.5, wordNgrams=2, dim=64, verbose=2, minCount=5, epoch=50, loss="hs" 
## >>> 0.8988977134190188

## lr=1.0, wordNgrams=2, dim=128, verbose=2, minCount=5, epoch=50, loss="hs" 
## >>> 0.8994338390877419

## lr=1.0, wordNgrams=2, dim=128, verbose=2, minCount=1, epoch=25, loss="hs" 
## >>> 0.9037370211866124

## lr=1.0, wordNgrams=5, verbose=2, minCount=1, epoch=25, loss="hs" 
## >>> 0.913202595672358

使用验证集调参,优化模型

'''
十折交叉验证

(1) 留出法 Hold-out method 将原始数据随机分为两组,一组做为训练集,一组做为验证集,利用训练集训练分类器,然后利用验证集验证模型,记录最后的分类准确率

(2)十折交叉验证 10-fold cross-validation 将数据集分成十份,轮流将其中9份作为训练数据,1份作为测试数据,进行试验。 每次试验都会得出相应的正确率(或差错率)。10次的结果的正确率(或差错率)的平均值作为对算法精度的估计,一般还需要进行多次10折交叉验证(例如10次10折交叉验证),再求其均值,作为对算法准确性的估计。

(3) 留一验证 leave-one-out cross-validation 留一验证(LOOCV)意指只使用原本样本中的一项来当做验证资料, 而剩余的则留下来当做训练资料。 这个步骤一直持续到每个样本都被当做一次验证资料。 事实上,这等同于 K-fold 交叉验证是一样的,其中K为原本样本个数。 在某些情况下是存在有效率的演算法,如使用kernel regression 和Tikhonov regularization。

参考:

https://blog.csdn.net/Dream_angel_Z/article/details/47110077https://blog.csdn.net/Tunnel_/article/details/107614991
'''

用StratifiedKFold实现十折交叉划分

step1.将原始数据进行十折交叉划分,分成十份训练集和测试集并保存。
from sklearn.model_selection import StratifiedKFold
print('starting K10 cross-validation data split:')

# train_df = pd.read_csv('data/train_set.csv', sep='t') 
# 分层采样,确保分出来的训练集和测试集中各类别样本的比例与原始数据集中相同。

skf = StratifiedKFold(n_splits=10) 

for n_fold, (tr_idx, val_idx) in enumerate(skf.split(train_df2['text'],train_df2['label'])):
    print(f'the {n_fold} data split ...')
    tr_x, tr_y, val_x, val_y = train_df2['text'].iloc[tr_idx], train_df2['label'][tr_idx],       train_df2['text'].iloc[val_idx], train_df2['label'][val_idx]
    tr_y = '__label__' + tr_y.astype(*str*)
    traindata = pd.DataFrame(*list*(zip(tr_x.values, tr_y.values)))
    traindata.to_csv(f'/Users/summer/Desktop/xul_data/learning/DataWhale/20200719NLP/task04_dl_fastText_20200726/fasttext_skf10_datasplit/train_split{n_fold}.csv', *index*=None, *header*=['text', 'label_ft'], *sep*='t')
    testdata = pd.DataFrame(*list*(zip(val_x.values, val_y.values)))
    testdata.to_csv(f'/Users/summer/Desktop/xul_data/learning/DataWhale/20200719NLP/task04_dl_fastText_20200726/fasttext_skf10_datasplit/test_split{n_fold}.csv', *index*=None, *header*=['text', 'label'], *sep*='t')
# >>> ... 
# the 0 data split ...
# the 1 data split ...
# the 2 data split ...
# the 3 data split ...
# the 4 data split ...
# the 5 data split ...
# the 6 data split ...
# the 7 data split ...
# the 8 data split ...
# the 9 data split ...
step2.利用十折交叉验证调参
print('starting K10 cross-validation training:')
val_f1=[]

for n_fold in range(10):
    model = fasttext.train_supervised(f'/Users/summer/Desktop/xul_data/learning/DataWhale/20200719NLP/task04_dl_fastText_20200726/fasttext_skf10_datasplit/train_split{n_fold}.csv', *lr*=1.0, *wordNgrams*=2, *verbose*=2, *minCount*=1, *epoch*=25, *loss*='hs')
    val_df = pd.read_csv(f'/Users/summer/Desktop/xul_data/learning/DataWhale/20200719NLP/task04_dl_fastText_20200726/fasttext_skf10_datasplit/test_split{n_fold}.csv', *sep*='t')
    val_pred = [model.predict(x)[0][0].split('__')[-1] for x in val_df['text']]
    val_f1.append(f1_score(val_df['label'].values.astype(*str*), val_pred, *average*='macro'))
    print(f'the f1_score of {n_fold} training is:', val_f1[n_fold])

print()
print('The average f1_score is', sum(val_f1)/len(val_f1))

Output:

# Progress: 100.0% words/sec/thread: 2088734 lr:  0.000000 avg.loss:  0.092633 ETA:   0h 0m 0s
# the f1_score of 0 training is: 0.9058600633604391

# Progress: 100.0% words/sec/thread: 2114597 lr:  0.000000 avg.loss:  0.092621 ETA:   0h 0m 0s
# the f1_score of 1 training is: 0.9017374331381326

# Progress: 100.0% words/sec/thread: 2175324 lr:  0.000000 avg.loss:  0.096158 ETA:   0h 0m 0s
# the f1_score of 2 training is: 0.9039268911845869

# Progress: 100.0% words/sec/thread: 2072916 lr:  0.000000 avg.loss:  0.091677 ETA:   0h 0m 0s
# the f1_score of 3 training is: 0.902637362408513

# Progress: 100.0% words/sec/thread: 2137606 lr:  0.000000 avg.loss:  0.094607 ETA:   0h 0m 0s
# the f1_score of 4 training is: 0.9002063369408493

# Progress: 100.0% words/sec/thread: 2022383 lr:  0.000000 avg.loss:  0.091986 ETA:   0h 0m 0s
# the f1_score of 5 training is: 0.9077481432048907

# Progress: 100.0% words/sec/thread: 2183498 lr:  0.000000 avg.loss:  0.093751 ETA:   0h 0m 0s
# the f1_score of 6 training is: 0.9081961005846353

# Progress: 100.0% words/sec/thread: 2033608 lr:  0.000000 avg.loss:  0.094676 ETA:   0h 0m 0s
# the f1_score of 7 training is: 0.8997523965098473

# Progress: 100.0% words/sec/thread: 2114997 lr:  0.000000 avg.loss:  0.093399 ETA:   0h 0m 0s
# the f1_score of 8 training is: 0.9106292751332932

# Progress: 100.0% words/sec/thread: 2104720 lr:  0.000000 avg.loss:  0.092281 ETA:   0h 0m 0s
# the f1_score of 9 training is: 0.8980215563264459

# The average f1_score is 0.9038715558791633
# >>> 较原始0.9031919041861232提升了0.07%
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 219,753评论 6 508
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,668评论 3 396
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 166,090评论 0 356
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 59,010评论 1 295
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 68,054评论 6 395
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,806评论 1 308
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,484评论 3 420
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,380评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,873评论 1 319
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 38,021评论 3 338
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,158评论 1 352
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,838评论 5 346
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,499评论 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 32,044评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,159评论 1 272
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,449评论 3 374
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 45,136评论 2 356