Python深度学习4-真假新闻判别实战

真假新闻数据集下载地址:https://www.kaggle.com/c/fake-news/data#
本文采用LSTM进行真假新闻的判别,是二分类任务。

一、导入包

我的tensorflow,keras版本是2.7.0

import pandas as pd
from keras.models import Sequential
from keras.layers import Dense, LSTM, Embedding, Dropout
from keras.preprocessing.sequence import pad_sequences
from keras.preprocessing.text import one_hot
import re
from nltk.corpus import stopwords
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix
from nltk.stem.porter import PorterStemmer
from sklearn.metrics import accuracy_score
from keras.models import load_model

二、读取数据

df=pd.read_csv('train.csv')
df=df.dropna() ##去掉有nan的行
## Get the Independent Features
X=df.drop('label',axis=1)  ##x是去掉标签列的数据
y=df['label']                     ##标签列

### Vocabulary size
voc_size=5000
messages=X.copy()
messages.reset_index(inplace=True)  ##重置索引,因为有删除操作

三、文本处理

对文本进行处理。
例如:
"President Obama and President-Elect Donald Trump Meet at White House: Share:" 处理完——>
presid obama presid elect donald trump meet white hous share

ps = PorterStemmer()
corpus = []
for i in range(0, len(messages)):
    review = re.sub('[^a-zA-Z]', ' ', messages['title'][i]) ##只保留字母
    review = review.lower()       ##转为小写
    review = review.split()         ##按空白拆分
    #去停用词
    review = [ps.stem(word) for word in review if not word in stopwords.words('english')]
    review = ' '.join(review)  ##将列表转为str类型
    corpus.append(review)  

四、格式转化

要将文本数据转为深度学习的输入格式

onehot_repr=[one_hot(words,voc_size) for words in corpus] ##文本转为one_hot编码格式
sent_length=20 
embedded_docs=pad_sequences(onehot_repr,padding='pre',maxlen=sent_length) ##用0前向填充,因为文本长度不一致
##转成np.array数组格式
X_final=np.array(embedded_docs) 
y_final=np.array(y)
##划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_final, y_final, test_size=0.33, random_state=42)

五、模型的建立,训练和预测

##keras序贯模型
embedding_vector_features=40
model=Sequential()
model.add(Embedding(voc_size,embedding_vector_features,input_length=sent_length))
model.add(Dropout(0.3))
model.add(LSTM(100))  ##Bidirectional(LSTM(100))双向LSTM替换即可
model.add(Dropout(0.3))
model.add(Dense(1,activation='sigmoid'))
model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])

##开始训练
model.fit(X_train,y_train,validation_data=(X_test,y_test),epochs=10,batch_size=64)

##预测
y_pred= model.predict(X_test)  #输出是一个离散值,越接近1就表示是1的概率越大

六、模型评估保存

##值大于0.5就是1,小于0.5就是0
def probability_to_intres(data):
    res = []
    for i in data:
        if i > 0.5:
            res.append(1)
        else:
            res.append(0)
    return res
res = probability_to_intres(y_pred)
confusion_matrix(y_test,res)  ##评估矩阵
accuracy_score(y_test,res)    ##准确率
model.save('my_model.h5')   ##保存

七、若新数据来了

如果来新数据了,判断是否是虚假新闻

new_text = "President Obama and President-Elect Donald Trump Meet at White House: Share:"
##上述方法进行文本处理,转化格式
review1 = re.sub('[^a-zA-Z]', ' ', new_text)
review1 = review1.lower()
review1 = review1.split()
review1 = [ps.stem(word) for word in review1 if not word in stopwords.words('english')]
review1 = ' '.join(review1)
onehot_repr1=[one_hot(review1, voc_size) ] 
sent_length=20
embedded_docs1=pad_sequences(onehot_repr1,padding='pre',maxlen=sent_length)
X_final1=np.array(embedded_docs1)
model_best = load_model('my_model.h5')  ##导入之前保存的模型
print(model_best.predict(X_final1))
print("最终判断结果:", probability_to_intres(model_best.predict(X_final1)))

完整代码如下

import pandas as pd
from keras.models import Sequential
from keras.layers import Dense, LSTM, Embedding, Dropout
from keras.preprocessing.sequence import pad_sequences
from keras.preprocessing.text import one_hot
import re
from nltk.corpus import stopwords
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix
from nltk.stem.porter import PorterStemmer
from sklearn.metrics import accuracy_score
from keras.models import load_model

df=pd.read_csv('train.csv')
df=df.dropna() ##去掉有nan的行
## Get the Independent Features
X=df.drop('label',axis=1)  ##x是去掉标签列的数据
y=df['label']                     ##标签列

### Vocabulary size
voc_size=5000
messages=X.copy()
messages.reset_index(inplace=True)  ##重置索引,因为有删除操作

ps = PorterStemmer()
corpus = []
for i in range(0, len(messages)):
    review = re.sub('[^a-zA-Z]', ' ', messages['title'][i]) ##只保留字母
    review = review.lower()       ##转为小写
    review = review.split()         ##按空白拆分
    #去停用词
    review = [ps.stem(word) for word in review if not word in stopwords.words('english')]
    review = ' '.join(review)  ##将列表转为str类型
    corpus.append(review)  

onehot_repr=[one_hot(words,voc_size) for words in corpus] ##文本转为one_hot编码格式
sent_length=20 
embedded_docs=pad_sequences(onehot_repr,padding='pre',maxlen=sent_length) ##用0前向填充,因为文本长度不一致
##转成np.array数组格式
X_final=np.array(embedded_docs) 
y_final=np.array(y)
##划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_final, y_final, test_size=0.33, random_state=42)

##keras序贯模型
embedding_vector_features=40
model=Sequential()
model.add(Embedding(voc_size,embedding_vector_features,input_length=sent_length))
model.add(Dropout(0.3))
model.add(LSTM(100))  ##Bidirectional(LSTM(100))双向LSTM替换即可
model.add(Dropout(0.3))
model.add(Dense(1,activation='sigmoid'))
model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])

##开始训练
model.fit(X_train,y_train,validation_data=(X_test,y_test),epochs=10,batch_size=64)

##预测
y_pred= model.predict(X_test)  #输出是一个离散值,越接近1就表示是1的概率越大

##值大于0.5就是1,小于0.5就是0
def probability_to_intres(data):
    res = []
    for i in data:
        if i > 0.5:
            res.append(1)
        else:
            res.append(0)
    return res
res = probability_to_intres(y_pred)
confusion_matrix(y_test,res)  ##评估矩阵
accuracy_score(y_test,res)    ##准确率
model.save('my_model.h5')   ##保存

#如果来新数据了,判断是否是虚假新闻

new_text = "President Obama and President-Elect Donald Trump Meet at White House: Share:"
##上述方法进行文本处理,转化格式
review1 = re.sub('[^a-zA-Z]', ' ', new_text)
review1 = review1.lower()
review1 = review1.split()
review1 = [ps.stem(word) for word in review1 if not word in stopwords.words('english')]
review1 = ' '.join(review1)
onehot_repr1=[one_hot(review1, voc_size) ] 
sent_length=20
embedded_docs1=pad_sequences(onehot_repr1,padding='pre',maxlen=sent_length)
X_final1=np.array(embedded_docs1)
model_best = load_model('my_model.h5')  ##导入之前保存的模型
print(model_best.predict(X_final1))
print("最终判断结果:", probability_to_intres(model_best.predict(X_final1)))
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 213,254评论 6 492
  • 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 90,875评论 3 387
  • 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 158,682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 56,896评论 1 285
  • 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 66,015评论 6 385
  • 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 50,152评论 1 291
  • 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 39,208评论 3 412
  • 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 37,962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 44,388评论 1 304
  • 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 36,700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 38,867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 34,551评论 4 335
  • 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 40,186评论 3 317
  • 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 30,901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 32,142评论 1 267
  • 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 46,689评论 2 362
  • 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 43,757评论 2 351

推荐阅读更多精彩内容