本特征提取：
将文本数据转化成特征向量的过程
比较常用的文本特征表示法为词袋法
词袋法：
不考虑词语出现的顺序，每个出现过的词汇单独作为一列特征
这些不重复的特征词汇集合为词表
每一个文本都可以在很长的词表上统计出一个很多列的特征向量
如果每个文本都出现的词汇，一般被标记为 停用词 不计入特征向量
主要有两个api来实现 CountVectorizer 和 TfidfVectorizer
CountVectorizer：
只考虑词汇在文本中出现的频率
TfidfVectorizer：
除了考量某词汇在文本出现的频率，还关注包含这个词汇的所有文本的数量
能够削减高频没有意义的词汇出现带来的影响, 挖掘更有意义的特征
相比之下，文本条目越多，Tfid的效果会越显著
下面对两种提取特征的方法，分别设置停用词和不停用，
使用朴素贝叶斯进行分类预测，比较评估效果python3 学习api的使用
源代码git: https://github.com/linyi0604/MachineLearning
代码：
1 from sklearn.datasets import fetch_20newsgroups
2 from sklearn.cross_validation import train_test_split
3 from sklearn.feature_extraction.text import CountVectorizer, TfidfVectorizer
4 from sklearn.naive_bayes import MultinomialNB
5 from sklearn.metrics import classification_report
6
7 '''
8 文本特征提取：
9 将文本数据转化成特征向量的过程
10 比较常用的文本特征表示法为词袋法
11 词袋法：
12 不考虑词语出现的顺序，每个出现过的词汇单独作为一列特征
13 这些不重复的特征词汇集合为词表
14 每一个文本都可以在很长的词表上统计出一个很多列的特征向量
15 如果每个文本都出现的词汇，一般被标记为 停用词 不计入特征向量
16
17 主要有两个api来实现 CountVectorizer 和 TfidfVectorizer
18 CountVectorizer：
19 只考虑词汇在文本中出现的频率
20 TfidfVectorizer：
21 除了考量某词汇在文本出现的频率，还关注包含这个词汇的所有文本的数量
22 能够削减高频没有意义的词汇出现带来的影响, 挖掘更有意义的特征
23
24 相比之下，文本条目越多，Tfid的效果会越显著
25
26
27 下面对两种提取特征的方法，分别设置停用词和不停用，
28 使用朴素贝叶斯进行分类预测，比较评估效果
29
30 '''
31
32
33 # 1 下载新闻数据
34 news = fetch_20newsgroups(subset="all")
35
36
37 # 2 分割训练数据和测试数据
38 x_train, x_test, y_train, y_test = train_test_split(news.data,
39 news.target,
40 test_size=0.25,
41 random_state=33)
42
43
44 # 3.1 采用普通统计CountVectorizer提取特征向量
45 # 默认配置不去除停用词
46 count_vec = CountVectorizer()
47 x_count_train = count_vec.fit_transform(x_train)
48 x_count_test = count_vec.transform(x_test)
49 # 去除停用词
50 count_stop_vec = CountVectorizer(analyzer='word', stop_words='english')
51 x_count_stop_train = count_stop_vec.fit_transform(x_train)
52 x_count_stop_test = count_stop_vec.transform(x_test)
53
54 # 3.2 采用TfidfVectorizer提取文本特征向量
55 # 默认配置不去除停用词
56 tfid_vec = TfidfVectorizer()
57 x_tfid_train = tfid_vec.fit_transform(x_train)
58 x_tfid_test = tfid_vec.transform(x_test)
59 # 去除停用词
60 tfid_stop_vec = TfidfVectorizer(analyzer='word', stop_words='english')
61 x_tfid_stop_train = tfid_stop_vec.fit_transform(x_train)
62 x_tfid_stop_test = tfid_stop_vec.transform(x_test)
63
64
65 # 4 使用朴素贝叶斯分类器 分别对两种提取出来的特征值进行学习和预测
66 # 对普通通统计CountVectorizer提取特征向量 学习和预测
67 mnb_count = MultinomialNB()
68 mnb_count.fit(x_count_train, y_train) # 学习
69 mnb_count_y_predict = mnb_count.predict(x_count_test) # 预测
70 # 去除停用词
71 mnb_count_stop = MultinomialNB()
72 mnb_count_stop.fit(x_count_stop_train, y_train) # 学习
73 mnb_count_stop_y_predict = mnb_count_stop.predict(x_count_stop_test) # 预测
74
75 # 对TfidfVectorizer提取文本特征向量 学习和预测
76 mnb_tfid = MultinomialNB()
77 mnb_tfid.fit(x_tfid_train, y_train)
78 mnb_tfid_y_predict = mnb_tfid.predict(x_tfid_test)
79 # 去除停用词
80 mnb_tfid_stop = MultinomialNB()
81 mnb_tfid_stop.fit(x_tfid_stop_train, y_train) # 学习
82 mnb_tfid_stop_y_predict = mnb_tfid_stop.predict(x_tfid_stop_test) # 预测
83
84 # 5 模型评估
85 # 对普通统计CountVectorizer提取的特征学习模型进行评估
86 print("未去除停用词的CountVectorizer提取的特征学习模型准确率：", mnb_count.score(x_count_test, y_test))
87 print("更加详细的评估指标:\n", classification_report(mnb_count_y_predict, y_test))
88 print("去除停用词的CountVectorizer提取的特征学习模型准确率：", mnb_count_stop.score(x_count_stop_test, y_test))
89 print("更加详细的评估指标:\n", classification_report(mnb_count_stop_y_predict, y_test))
90
91 # 对TfidVectorizer提取的特征学习模型进行评估
92 print("TfidVectorizer提取的特征学习模型准确率：", mnb_tfid.score(x_tfid_test, y_test))
93 print("更加详细的评估指标:\n", classification_report(mnb_tfid_y_predict, y_test))
94 print("去除停用词的TfidVectorizer提取的特征学习模型准确率：", mnb_tfid_stop.score(x_tfid_stop_test, y_test))
95 print("更加详细的评估指标:\n", classification_report(mnb_tfid_stop_y_predict, y_test))
96
97 '''
98 未去除停用词的CountVectorizer提取的特征学习模型准确率： 0.8397707979626485
99 更加详细的评估指标:
100 precision recall f1-score support
101
102 0 0.86 0.86 0.86 201
103 1 0.86 0.59 0.70 365
104 2 0.10 0.89 0.17 27
105 3 0.88 0.60 0.72 350
106 4 0.78 0.93 0.85 204
107 5 0.84 0.82 0.83 271
108 6 0.70 0.91 0.79 197
109 7 0.89 0.89 0.89 239
110 8 0.92 0.98 0.95 257
111 9 0.91 0.98 0.95 233
112 10 0.99 0.93 0.96 248
113 11 0.98 0.86 0.91 272
114 12 0.88 0.85 0.86 259
115 13 0.94 0.92 0.93 252
116 14 0.96 0.89 0.92 239
117 15 0.96 0.78 0.86 285
118 16 0.96 0.88 0.92 272
119 17 0.98 0.90 0.94 252
120 18 0.89 0.79 0.84 214
121 19 0.44 0.93 0.60 75
122
123 avg / total 0.89 0.84 0.86 4712
124
125 去除停用词的CountVectorizer提取的特征学习模型准确率： 0.8637521222410866
126 更加详细的评估指标:
127 precision recall f1-score support
128
129 0 0.89 0.85 0.87 210
130 1 0.88 0.62 0.73 352
131 2 0.22 0.93 0.36 59
132 3 0.88 0.62 0.73 341
133 4 0.85 0.93 0.89 222
134 5 0.85 0.82 0.84 273
135 6 0.79 0.90 0.84 226
136 7 0.91 0.91 0.91 239
137 8 0.94 0.98 0.96 264
138 9 0.92 0.98 0.95 236
139 10 0.99 0.92 0.95 251
140 11 0.97 0.91 0.93 254
141 12 0.89 0.87 0.88 254
142 13 0.95 0.94 0.95 248
143 14 0.96 0.91 0.93 233
144 15 0.94 0.87 0.90 250
145 16 0.96 0.89 0.93 271
146 17 0.98 0.95 0.97 238
147 18 0.90 0.84 0.87 200
148 19 0.53 0.91 0.67 91
149
150 avg / total 0.90 0.86 0.87 4712
151
152 TfidVectorizer提取的特征学习模型准确率： 0.8463497453310697
153 更加详细的评估指标:
154 precision recall f1-score support
155
156 0 0.67 0.84 0.75 160
157 1 0.74 0.85 0.79 218
158 2 0.85 0.82 0.83 256
159 3 0.88 0.76 0.82 275
160 4 0.84 0.94 0.89 217
161 5 0.84 0.96 0.89 229
162 6 0.69 0.93 0.79 192
163 7 0.92 0.84 0.88 259
164 8 0.92 0.98 0.95 259
165 9 0.91 0.96 0.94 238
166 10 0.99 0.88 0.93 264
167 11 0.98 0.73 0.83 321
168 12 0.83 0.91 0.87 226
169 13 0.92 0.97 0.95 231
170 14 0.96 0.89 0.93 239
171 15 0.97 0.51 0.67 443
172 16 0.96 0.83 0.89 293
173 17 0.97 0.92 0.95 245
174 18 0.62 0.98 0.76 119
175 19 0.16 0.93 0.28 28
176
177 avg / total 0.88 0.85 0.85 4712
178
179 去除停用词的TfidVectorizer提取的特征学习模型准确率： 0.8826400679117148
180 更加详细的评估指标:
181 precision recall f1-score support
182
183 0 0.81 0.86 0.83 190
184 1 0.81 0.85 0.83 238
185 2 0.87 0.84 0.86 257
186 3 0.88 0.78 0.83 269
187 4 0.90 0.92 0.91 235
188 5 0.88 0.95 0.91 243
189 6 0.80 0.90 0.85 230
190 7 0.92 0.89 0.90 244
191 8 0.94 0.98 0.96 265
192 9 0.93 0.97 0.95 242
193 10 0.99 0.88 0.93 264
194 11 0.98 0.85 0.91 273
195 12 0.86 0.93 0.89 231
196 13 0.93 0.96 0.95 237
197 14 0.97 0.90 0.93 239
198 15 0.96 0.70 0.81 320
199 16 0.98 0.84 0.90 294
200 17 0.99 0.92 0.95 248
201 18 0.74 0.97 0.84 145
202 19 0.29 0.96 0.45 48
203
204 avg / total 0.90 0.88 0.89 4712
205 '''
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
