sklearn.feature_extraction.text文本特征实验

sklearn.feature_extraction.text提供了4种文本特征提取方法:

  1. CountVectorizer
  2. HashingVectorizer
  3. TfidfTransformer
  4. TfidfVectorizer
    因为TfidfVectorizer等价于CountVectorizer->TfidfTransformer,所以实质上就是两种特征,一种是HashingVector,另一种则是Tfidf特征。

每一类都是由题目组成,但是每个题目长度都不长,分词筛选后也只剩下几个关键词,因此计算各个词的tf的时候结果基本都是1/题目分词数,所以我便想着能不能计算出每一类的各个词的tf,而不是对单独的每个题目计算tf。
因此我将同一类的所有题目分词都组合到一个文档,这样就可以在同一类上计算词频tf,而不是在每个题目上面单独计算。
首先根据tf值排序做词典筛选:
初始词典中词的数目为7000。

实验采用
model = OneVsRestClassifier(svm.SVC(kernel=’linear’))模型进行实验。
特征提取采用了tf-idf和tf两种,tf-idf在tf的基础上加入了逆文档词频idf。
f1-macro,f1-micro,f1-sample分别是应用于多标签分类的评价标准,评价的基本标准依然是f1值,只是计算方式有所不同。

  1. 首先在tf-idf提取的特征下进行不同词数的实验,从中可以看到
    在1000维的时候f1-macro和f1-sample准确率达到最高,说明特征并不是越多越好,只要有足够多的具有区分能力的特征就够了。
    500维的时候效果和1000维相差不大。
  2. 接着进行了tf-idf和tf两种特征提取方式的比较。从结果可以看出不采用idf时的效果要好,我个人认为这是由样本不均衡问题造成的结果,因为训练集中有些类的样本很多,有些则很少,对于样本少的类别,在计算tf值的时候因为只需要考虑本类样本,因此受不均衡问题的影响较小,但加入idf时,因为将所有训练样本都加入考虑,所以会造成准确率的影响。
词典中的词数 100 500 1000 3000 5000
f1-macro(tf-idf) 0.8066 0.8387 0.8410 0.8196 0.8112
f1-micro(tf-idf) 0.8693 0.9004 0.9000 0.8736 0.8643
f1-sample(tf-idf) 0.8838 0.9170 0.9173 0.8924 0.8830
f1-macro(tf) 0.8027 0.8572 0.8553
f1-micro(tf) 0.8723 0.9088 0.9105
f1-sample(tf) 0.8846 0.9257 0.9269

在取1000维词的基础上进行了以下实验:
在最初的时候我对题目tf的计算进行了改动,接下来我测试了不改动的tf特征,此时tf的计算是在每一道题目上单独进行。
00266367
65168539
09187254

词典中的词数 每类上计算tf 每个文档上计算tf
f1-macro(tf-idf) 0.8553 0.8533
f1-micro(tf-idf) 0.9105 0.9078
f1-sample(tf-idf) 0.9269 0.9254

你可能感兴趣的:(f1,多标签分类)