少年壯志不言愁
勸君惜取少年時
圖片來自網絡
貝葉斯定理：
貝葉斯定理是關于隨機事件A和B的條件概率（或邊緣概率）的一則定理。其中P(A|B)是在B發(fā)生的情況下A發(fā)生的可能性。關于貝葉斯理論的詳細推理，可以參考這篇文章。
P(A丨B)=P(A)P(B丨A)/P(B)
小試牛刀
這里選擇當當網書評價（好評、差評）應用貝葉斯分類算法，其中差評數據10w條，好評數據11w條，數據保存到trainset.csv數據下載鏈接
訓練集trainset.csv.png
訓練集中包括差評和好評數據共221968，其中包括無效數據及空行，后面將被清除
訓練集第一行
header包括兩個字段rate即評論正文和評論類型type即差評與好評
1. 首先對抓取的數據清洗，刪除空格、\u3000、 \xa0等字符
def cleanTrianSet(filepath):
"""
清洗句子中空行、空格
目前采用將所有數據讀取到內存，后續(xù)思考其他高效方式
"""
# 刪除評論上面的 \n
fileDf = pd.read_csv(filepath, keep_default_na=False)
fileDf["rate"] = fileDf["rate"].apply(lambda x: x.replace("\n", ""))
linelist = fileDf.values.tolist()
filelines = [ _[0] + "," + _[-1] for _ in linelist]
cleaned_lines = map(lambda x: x.translate({ord('\u3000'): '', ord('\r'): '', ord('\xa0'): None,
ord(' '): None}), filelines[1:]) # 更加優(yōu)雅的方式 在這個問題中是比較快的方式
return cleaned_lines # 返回一個map對象
2. 使用開源分詞工具jieba分詞對正負面語料進行分詞，分詞過程中刪除了空行等。分詞代碼tools/jieba_split.py，分詞結果如下圖
分詞后數據集.png
同時將label寫入
data/label.txt
label.txt.png
3.使用Word2Vec對分詞數據集訓練詞向量
參數設置說明
- size=128： 設置詞向量維度為128，是指特征向量的維度，默認為100。大的size需要更多的訓練數據,但是效果會更好. 推薦值為幾十到幾百
- window=12：訓練窗口設置為12，即考慮一個詞前五個詞和后五個詞的影響
- min_count=10：詞頻小于該值的詞就會被舍棄
- sg：設置訓練算法，默認為0，對應CBOW算法；sg=1則采用skip-gram算法。
#!/usr/bin/env python
# -*-coding:utf-8-*-
"""
@Time: 17-11-20
@author: xhades
@version: v0.1
"""
from gensim.models import word2vec
sentence = word2vec.Text8Corpus('../data/splited_words.txt')
model = word2vec.Word2Vec(sentence, size=128, min_count=10, sg=1, window=12, workers=8)
model.wv.save_word2vec_format("../data/embedding.txt", binary=False, )
model.save("../Model/word2vec.model")
形成embedding.txt詞嵌入文件，即保存了所有詞的詞向量
4.數據預處理
代碼模塊preprocessing.py
-
代碼解析1
embeddingMtx = np.zeros((212841, 128), dtype='float32')這里構造一個詞嵌入矩陣用于存放每條評論的句子矩陣（句子矩陣由詞向量表示），其中212841是數據集評論數量，128是詞向量維度
-
代碼解析2
wordsEmbed = map(lambda word: embedding_lookup(word, embDict), words)embedding_lookup()方法會在詞向量中尋找對應詞的向量，如果某個詞沒有在詞向量文件中就在[-0.5, 0.5]之間隨機生成128維的矩陣def embedding_lookup(voc, embDict): embedding = embDict.get(voc, [random.uniform(-0.5, 0.5) for i in range(128)]) return embedding 代碼解析3
最后通過embeddingMtx[count][i] = wordEmbeddingMtx[i]將每一行數據放入詞嵌入矩陣embeddingMtx中-
完整代碼如下
import codecs import numpy as np import pickle from tools.utils import embedding_lookup np.set_printoptions(threshold=np.inf) # 將訓練文本數據轉換成embedding詞矩陣 def build_embedding(): max_sequence_length = 30 # 詞向量形式轉變成字典 with open("data/embedding.txt") as embFile: embLines = embFile.readlines() embDict = {_.strip("\n").split(" ")[0]: _.strip("\n").split(" ")[1:] for _ in embLines[1:]} # 加載splited word文件 fileData = codecs.open("data/splited_words.txt", "r", encoding="utf-8") # embedding文件 embeddingMtx = np.zeros((212841, max_sequence_length, 128), dtype='float32') count = 0 fileLine = fileData.readline() while fileLine: fileLine = fileLine.strip() if fileLine: words = fileLine.split(" ") # 對應詞向量列表 wordsEmbed = map(lambda word: embedding_lookup(word, embDict), words) # 列表轉成矩陣, 序列化寫入文件 wordEmbeddingMtx = np.matrix(list(wordsEmbed)) # 獲得句子真實長度 actual_sequence_length = wordEmbeddingMtx.shape[0] if actual_sequence_length <= max_sequence_length: epochs = actual_sequence_length else: epochs = max_sequence_length for i in range(epochs): embeddingMtx[count][i] = wordEmbeddingMtx[i] fileLine = fileData.readline() count += 1 continue fileLine = fileData.readline() fileData.close() print("End.....") # print(embeddingMtx) with open("Res/char_embedded.pkl", "wb") as file_w: pickle.dump(embeddingMtx, file_w)
5.訓練數據
在sklearn中，提供了3中樸素貝葉斯分類算法：GaussianNB(高斯樸素貝葉斯)、MultinomialNB(多項式樸素貝葉斯)、BernoulliNB(伯努利樸素貝葉斯)
我這里主要選擇使用伯努利模型的貝葉斯分類器來進行短評分類。
并且按照7：3的比例劃分訓練集和測試集
import numpy as np
from numpy import array, argmax, reshape
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncoder, LabelEncoder
from sklearn.naive_bayes import BernoulliNB
import pickle
np.set_printoptions(threshold=np.inf)
# 訓練集測試集 3/7分割
def train(xFile, yFile):
with open(xFile, "rb") as file_r:
X = pickle.load(file_r)
# print(X.shape)
X = reshape(X, (212841, -1)) # reshape一下 （212841, 30*128）
# 讀取label數據，并且使用LabelEncoder對label進行編號
with open(yFile, "r") as yFile_r:
labelLines = [_.strip("\n") for _ in yFile_r.readlines()]
values = array(labelLines)
labelEncoder = LabelEncoder()
integerEncoded = labelEncoder.fit_transform(values)
integerEncoded = integerEncoded.reshape(len(integerEncoded), 1)
# print(integerEncoded)
# 獲得label 編碼
Y = integerEncoded.reshape(212841, )
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.3, random_state=42)
# 訓練數據
clf = BernoulliNB()
clf.fit(X_train, Y_train)
# 測試數據
predict = clf.predict(X_test)
count = 0
for p, t in zip(predict, Y_test):
if p == t:
count += 1
print("Accuracy is:", count/len(Y_test))
最終使用樸素貝葉斯分類器最終準確率在71%左右，分類效果還算不錯=。=
=========================12.25更新========================
- 添加決策樹分類代碼 dtClf.py 分類準確率 89.1%+
完整代碼查看rates_classify
