前言
前文给大家说了python机器学习的路径,这光说不练假把式,这次,罗罗攀就带大家完成一个中文文本情感分析的机器学习项目,今天的流程如下:
数据情况和处理
数据情况
这里的数据为大众点评上的评论数据(王树义老师提供),主要就是评论文字和打分。我们首先读入数据,看下数据的情况:
情感划分
对star字段看唯一值,打分有1,2,4,5。
中文文本情感分析属于我们的分类问题(也就是消极和积极),这里是分数,那我们设计代码,让分数小于3的为消极(0),大于3的就是积极(1)。
定义一个函数,然后用apply方法,这样就得到了一个新列(数据分析里的知识点)
工具包(snownlp)
我们首先不用机器学习方法,我们用一个第三库(snownlp),这个库可以直接对文本进行情感分析(记得安装),使用方法也是很简单。返回的是积极性的概率。
这样,我们就定义大于0.6,就是积极的,同样的方法,就能得到结果。
上面前五行的结果看上去很差(5个就2个是对的),那到底有多少是对的了?我们可以将结果与sentiment字段对比,相等的我就计数,这样在除以总样本,就能看大概的精度了。
朴素贝叶斯
前面利用第三库的方法,结果不是特别理想(0.763),而且这种方法存在一个很大的弊端:针对性差。
什么意思了?我们都知道,不同场景下,语言表达都是不同的,例如这个在商品评价中有用,在博客评论中可能就不适用了。
所以,我们需要针对这个场景,训练自己的模型。本文将使用sklearn实现朴素贝叶斯模型(原理在后文中讲解)。slearn小抄先送上(下文有高清下载地址)。
大概流程为:
- 导入数据
- 切分数据
- 数据预处理
- 训练模型
- 测试模型
jieba分词
首先,我们对评论数据分词。为什么要分词了?中文和英文不一样,例如:i love python,就是通过空格来分词的;我们中文不一样,例如:我喜欢编程,我们要分成我/喜欢/编程(通过空格隔开),这个主要是为了后面词向量做准备。
划分数据集
分类问题需要x(特征),和y(label)。这里分词后的评论为x,情感为y。按8:2的比例切分为训练集和测试集。
词向量(数据处理)
电脑是没法识别文字的,只能识别数字。那文本怎么处理了,最简单的就是词向量。什么是词向量,我们通过一个案例来说明下,下面是我们的文本:
词向量处理后就是这样的:
简单的说,词向量就是我们将整个文本出现的单词一一排列,然后每行数据去映射到这些列上,出现的就是1,没出现就是0,这样,文本数据就转换成了01稀疏矩阵(这也是上文中文分词的原因,这样一个词就是一个列)。
好在,sklearn中直接有这样的方法给我们使用。CountVectorizer方法常用的参数:
- max_df:在超过这一比例的文档中出现的关键词(过于平凡),去除掉。
- min_df:在低于这一数量的文档中出现的关键词(过于独特),去除掉。
- token_pattern:主要是通过正则处理掉数字和标点符号。
- stop_words:设置停用词表,这样的词我们就不会统计出来(多半是虚拟词,冠词等等),需要列表结构,所以代码中定义了一个函数来处理停用词表。
如果想看到底出来的是什么数据,可通过下面代码查看。
训练模型
训练模型,很简单,用的是朴素贝叶斯算法,结果为0.899,比之前的snownlp好很多了。
测试数据
当然,我们需要测试数据来验证精确度了,结果为0.8275,精度还是不错的。
当然,我们也可以将结果放到data数据中:
讨论和不足
- 样本量少
- 模型没调参
- 没有交叉验证
今日互动
代码下载:https://github.com/panluoluo/crawler-analysis,下载完整数据和代码。
留言打卡:说说评论杠精那些事。公众号后台回复【打卡】,加入打卡学习群,2019年一起搞事情。