R文本分析(二)

文本预处理

1.设置路径

setwd("e://r语言学习//r代码")

2.加载词典

installDict("D:\\R\\sources\\Dictionaries\\news.scel",dictname = "news1")

installDict("D:\\R\\sources\\Dictionaries\\news2.scel",dictname = "news2")

listDict()

3.加载文档

data <-readLines("d:\\R\\RWorkspace\\fhnews.txt",encoding ="UTF-8")

4.去除特殊词

dataTemp <- gsub("[0-90123456789 < > ~]","",data)

5.分词

dataTemp <- segmentCN(dataTemp)

dataTemp[1:2]

6.去除停用词

stopwords<- unlist(read.table("D:\\R\\RWorkspace\\StopWords.txt",stringsAsFactors=F))

stopwords[50:100]

removeStopWords <- function(x,stopwords) {

temp <- character(0)

index <- 1

xLen <- length(x)

while (index <= xLen) {

if (length(stopwords[stopwords==x[index]]) <1)

temp<- c(temp,x[index])

index <- index +1

}

temp

}

> dataTemp2 <-lapply(dataTemp,removeStopWords,stopwords)

> dataTemp2[1:2]

文本分类

通过词频的余弦相似度做文本分类

1.加载语料库

library("tm")

reuters =VCorpus(VectorSource(doc_CN))

reuters <- tm_map(reuters, stripWhitespace)

2.删除停用词

data_stw<- unlist (read.table("E:\\text mining\\stopword\\中文停用词.txt",stringsAsFactors=F))

#head(data_stw,n=10)

reuters=tm_map(reuters,removeWords,data_stw)

3.生成TF-IDF特征

control=list(removePunctuation=T,minDocFreq=5,wordLengths = c(1, Inf),weighting = weightTfIdf)

doc.tdm=TermDocumentMatrix(reuters,control)

length(doc.tdm$dimnames$Terms)

tdm_removed=removeSparseTerms(doc.tdm, 0.97)

length(tdm_removed$dimnames$Terms)

mat = as.matrix(tdm_removed)####转换成文档矩阵

classifier = naiveBayes(mat[1:x,], as.factor(data$标题[1:x]) )##贝叶斯分类器,训练

predicted = predict(classifier, mat[z:y,]);#预测

A=table(data$标题[z:y], predicted)#预测交叉矩阵

predicted财经 禅道 军事 科技

财经  10  28    34    1

禅道    0  41    4    0

军事    0  10    25    0

科技    4  21    18  11

b1=length(which(predicted==data$标题[z:y]))/length(predicted)#计算召回率

b1[1] 0.4202899

补充:其它机器学习分类算法

library(RTextTools)

container = create_container(mat[1:y,], as.factor(data$标题[1:y]) ,

trainSize=1:x, testSize=1:y,virgin=TRUE)

models = train_models(container, algorithms=c("BAGGING" ,  "MAXENT" ,  "NNET" ,    "RF"    ,    "SVM" ,    "TREE" ))

results = classify_models(container, models)

#How about the accuracy?

# recall accuracy

森林=recall_accuracy(as.numeric(as.factor(data$标题[z:y])), results[,"FORESTS_LABEL"])

最大熵=recall_accuracy(as.numeric(as.factor(data$标题[z:y])), results[,"MAXENTROPY_LABEL"])

决策树=recall_accuracy(as.numeric(as.factor(data$标题[z:y])), results[,"TREE_LABEL"])

袋袋=recall_accuracy(as.numeric(as.factor(data$标题[z:y])), results[,"BAGGING_LABEL"])

向量机=recall_accuracy(as.numeric(as.factor(data$标题[z:y])), results[,"SVM_LABEL"])

神经网络=recall_accuracy(as.numeric(as.factor(data$标题[z:y])), results[,"NNETWORK_LABEL"])

a=c()

c=c()

e=c()

a=cbind( 随机森林=as.vector(results[,"FORESTS_LABEL"]), 决策树=as.vector(results[,"TREE_LABEL"]) , 支持向量机=as.vector(results[,"SVM_LABEL"]),贝叶斯=as.vector(predicted), 最大熵=as.vector(results[,"MAXENTROPY_LABEL"]),袋袋=as.vector(results[,"BAGGING_LABEL"]),神经网络=as.vector( results[,"NNETWORK_LABEL"]))

for(i in 1:length(results[,"FORESTS_LABEL"][z:y]))

{

b=table(a[i,])

c[i]<-names(which(b==max(table(a[i,]))))

}

模型预测=cbind(a,组合模型=c)

A=table(data$标题[z:y],c)

b=length(which(c==data$标题[z:y]))/length(c)

组合模型=b

e=c(贝叶斯=b1,森林=森林,最大熵=最大熵,决策树=决策树,袋袋=袋袋,向量机=向量机,神经网络=神经网络,组合投票=组合模型)

##结果该满意了吧!!!

e  贝叶斯      森林    最大熵    决策树      袋袋    向量机  神经网络  组合投票

0.4202899 1.0000000 1.0000000 0.5893720 1.0000000 0.3526570 0.9033816 1.0000000

文本聚类

文本聚类就没什么技术含量了,主要原因是其实非监督学习,效果一般不是很好。

data=t(mat[,1:50])

data.scale <- scale(data)

d <- dist(data.scale, method = "euclidean")

fit <- hclust(d, method="ward.D")

plot(fit,main="文本聚类")

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 212,294评论 6 493
  • 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 90,493评论 3 385
  • 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 157,790评论 0 348
  • 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 56,595评论 1 284
  • 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 65,718评论 6 386
  • 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 49,906评论 1 290
  • 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 39,053评论 3 410
  • 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 37,797评论 0 268
  • 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 44,250评论 1 303
  • 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 36,570评论 2 327
  • 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 38,711评论 1 341
  • 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 34,388评论 4 332
  • 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 40,018评论 3 316
  • 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 30,796评论 0 21
  • 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 32,023评论 1 266
  • 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 46,461评论 2 360
  • 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 43,595评论 2 350

推荐阅读更多精彩内容

  • 傻逼有傻逼的通行证,无耻有无耻者的墓志铭
    JessicaMei阅读 269评论 0 0
  • 昨天听了Angie老师的第一讲,印象最深的一个观点是Angie老师提出的用事件来衡量时间的使用情况的方法:将对自己...
    爱之涯阅读 161评论 0 1
  • 听到过两次路人妈妈对孩子说“要你有何用”。听到这样的话,真的不知道她们要孩子是干嘛用的………… 事件一 ...
    安于身阅读 810评论 0 0