机器学习之路：python 文本特征提取 CountVectorizer, TfidfVectorizer

机器学习之路：python 文本特征提取 CountVectorizer, TfidfVectorizer

 

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 '''