kaggle----NLP线性回归---Real or Not? NLP with Disaster Tweets

依然是按照老样子拿到了我们的训练集测试集还有提交模板
竞赛网站：
https://www.kaggle.com/c/nlp-getting-started/overview/description

数据初步可视化

import numpy as np
import pandas as pd
from sklearn import feature_extraction, linear_model, model_selection, preprocessing
train = pd.read_csv('路径/train.csv')
test = pd.read_csv('路径/test.csv')

此处以keyword作为例子，查看不同的度量对于预测结果的影响

#划分数据集，查看相应变量中的
target1=train.keyword[train.target == 1].value_counts()
target0=train.keyword[train.target == 0].value_counts()
df=pd.DataFrame({'target1':target1,'target0':target0})
df.plot(kind='bar',stacked=True,title='keyword')

当然呢，这个图可能略显的凌乱，但我们可以发现有的蓝色条尤其长是说明其中有的keyword是对于判断文本是否是有显著影响的，我们可以点开详情查看统计

发现了次数的统计，那么这几个keyword就可以作为后续的限制条件

本例只做了简单样例，各位老板做参考就可

向量构筑

每条 tweet中包含的单词都是一个很好的指标，表明它们是否是真正的Disaster （可能并不完全正确）。
使用scikit learn中的countvector对每条tweet中的单词进行计数，并将它们转换为机器学习模型可以处理的数据。

注：在这种情况下，向量是机器学习模型可以使用的一组数字

用前五条为例

count_vectorizer = feature_extraction.text.CountVectorizer()
# count_vectorizer.get_feature_names() 可以查看生成的字典名

# count_vectorizer.vocabulary_  字典形式呈现，key：词，value:词频
# 让我们计算一下数据中前5条tweets的单词数量
example_train_vectors = count_vectorizer.fit_transform(train["text"][0:5])
## 我们在这里使用.todense（），因为这些向量是“离散的”（只保留非零元素以节省空间）
print(example_train_vectors[0].todense().shape)
print(example_train_vectors[0].todense())

参考：sklearn——CountVectorizer详解

上面告诉我们：
前五条 tweets中有54个独特的单词（或“标记”）。
第一条tweet（[0]）只包含其中一些唯一的标记——上面所有的非零计数都是第一条tweet中存在的标记。

现在为所有的tweets创建向量：

train_vectors = count_vectorizer.fit_transform(train_df["text"])

## 注意，这里没有使用.fit_transform（），只是用了.transform（）确保列向量中的标记是映射到测试向量的唯一标记
# 也就是说，训练集向量和测试集向量使用同一组变化
test_vectors = count_vectorizer.transform(test_df["text"])

线性模型

正如前面提到的，每条tweet中包含的文字是一个很好的指标，可以判断它们是否是Disaster。tweet中特定单词（或一组单词）的出现可能直接链接到该tweet是否真实。

假设这是一个线性关系，建立一个线性模型看看！

我们的向量很大，所以我们想推进模型的权重趋近于0但不完全消除，ridge regression是一个很好的方式

clf = linear_model.RidgeClassifier()

使用交叉验证，我们对已知数据的一部分进行训练，然后使用其他数据对其进行验证。

这次竞赛的评价标准是F1，所以我们的模型也选用这个标准

scores = model_selection.cross_val_score(clf, train_vectors, train_df["target"], cv=3, scoring="f1")

预测并提交模型

clf.fit(train_vectors, train_df["target"])

sample_submission = pd.read_csv("路径/sample_submission.csv")
sample_submission["target"] = clf.predict(test_vectors)

sample_submission.head()

sample_submission.to_csv("路径/submission.csv", index=False)

完成，可以提交