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