TF-IDF和词袋表示文档特征实现文本分类

词袋模型文本分类

# -*- coding: utf-8 -*-


import numpyas np

import pandasas pd

import jieba

from sklearn.feature_extraction.textimport TfidfVectorizer

from sklearn.preprocessingimport LabelEncoder

from sklearn.model_selectionimport train_test_split

from sklearn.linear_modelimport LogisticRegression

from sklearn.metricsimport confusion_matrix, precision_recall_fscore_support

import dill

import pickle


加载停用词

def stop_words():
     stopwords = set()
     with open('../data/stopwords.txt', 'r',encoding='utf8') as infile:
     for line in infile:
             line = line.strip('\n') if line:
             stopwords.add(line.lower())
     return stopwords

训练模型

def get_tf_idf():

    # 常用参数说明

    # penalty: 正则项类型,l1还是l2

    # C: 正则项惩罚系数的倒数,越大则惩罚越小

    # fit_intercept: 是否拟合常数项

    # max_iter: 最大迭代次数

    # multi_class: 以何种方式训练多分类模型

    #    ovr = 对每个标签训练二分类模型

    #    multinomial = 直接训练多分类模型,仅当solver={newton-cg, sag, lbfgs}时支持

    # solver: 用哪种方法求解,可选有{liblinear, newton-cg, sag, lbfgs}

    #    小数据liblinear比较好,大数据量sag更快

    #    多分类问题,liblinear只支持ovr模式,其他支持ovr和multinomial

    #    liblinear支持l1正则,其他只支持l2正则

    stopwords=stop_words()

    train_data = pd.read_csv('../data/sohu_train.txt',sep='\t',header=None,dtype=np.str_,encoding='utf8',

names=['频道','文章'])

    tfidf = TfidfVectorizer(tokenizer=jieba.lcut,stop_words=stopwords,min_df=50,max_df=0.3)

    x = tfidf.fit_transform(train_data['文章'])

    y_encoder = LabelEncoder()

    y = y_encoder.fit_transform(train_data['频道'])

    train_idx, test_idx = train_test_split(range(len(y)),test_size=0.2,stratify=y)

    train_x = x[train_idx, :]

    train_y = y[train_idx]

    test_x = x[test_idx, :]

    test_y = y[test_idx]

    model = LogisticRegression(multi_class='multinomial',solver='lbfgs')

    model.fit(train_x, train_y)

    test_y_pred = model.predict(test_x)

# 保存模型

    with open('../model_path/tf_idf_model.pkl','wb')as outfile:

    pickle.dump({

    'y_encoder': y_encoder,

    'tfidf': tfidf,

    'lr': model

    },outfile)

    eval_model(test_y, test_y_pred, y_encoder.classes_)

计算各项评价指标

def eval_model(y_true, y_pred, labels):

# 计算每个分类的Precision, Recall, f1, support

    p, r, f1, s = precision_recall_fscore_support(y_true, y_pred)

# 计算总体的平均Precision, Recall, f1, support

    tot_p = np.average(p,weights=s)

    tot_r = np.average(r,weights=s)

    tot_f1 = np.average(f1,weights=s)

    tot_s = np.sum(s)

    res1 = pd.DataFrame({

    u'Label': labels,

    u'Precision': p,

    u'Recall': r,

    u'F1': f1,

    u'Support': s

    })

    res2 = pd.DataFrame({

    u'Label': [u'总体'],

    u'Precision': [tot_p],

    u'Recall': [tot_r],

    u'F1': [tot_f1],

    u'Support': [tot_s]

    })

    res2.index = [999]

    res = pd.concat([res1, res2])

    return res[[u'Label',u'Precision',u'Recall',u'F1',u'Support']]

对新数据进行预测

def prdition(model_file,new_data):

    import pickle

    with open(model_file,'rb')as infile:

        model = pickle.load(infile)

    new_x = model['tfidf'].transform(new_data[u'文章'][:10])

    new_y_pred = model['lr'].predict(new_x)

    return new_y_pred

if __name__ =='__main__':

    get_tf_idf()

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 215,463评论 6 497
  • 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 91,868评论 3 391
  • 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 161,213评论 0 351
  • 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 57,666评论 1 290
  • 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 66,759评论 6 388
  • 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 50,725评论 1 294
  • 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 39,716评论 3 415
  • 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 38,484评论 0 270
  • 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 44,928评论 1 307
  • 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 37,233评论 2 331
  • 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 39,393评论 1 345
  • 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 35,073评论 5 340
  • 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 40,718评论 3 324
  • 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 31,308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 32,538评论 1 268
  • 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 47,338评论 2 368
  • 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 44,260评论 2 352