手把手教你：基于python的文本分类（sklearn-决策树和随机森林实现）

系列文章

• 第十二章 手把手教你：岩石样本智能识别系统
• 第十一章 手把手教你：基于TensorFlow的语音识别系统
• 第十章 手把手教你：基于Django的用户画像可视化系统

---

---

一、项目简介

本文主要介绍如何使用python的sk-learn机器学习框架搭建一个或多个：文本分类的机器学习模型，如果有毕业设计或者课程设计需求的同学可以参考本文。本项目使用了决策树和随机森林2种机器学习方法进行实验，完整代码在最下方，想要先看源码的同学可以移步本文最下方进行下载。

博主也参考过文本分类相关模型的文章，但大多是理论大于方法。很多同学肯定对原理不需要过多了解，只需要搭建出一个可视化系统即可。

也正是因为我发现网上大多的帖子只是针对原理进行介绍，功能实现的相对很少。

如果您有以上想法，那就找对地方了！

---

不多废话，直接进入正题！

二、任务介绍

本次任务是一个传统的机器学习实现文本分类的任务。

前期为输入一个文本，其中为对相关事务的一个口语化的描述，这里是对一些生活常见的垃圾的一个描述。我们需要使用模型对这个描述中涉及到的垃圾进行分类，主要分为四类：

1. 可回收垃圾
2. 有害垃圾
3. 厨余垃圾
4. 其他垃圾

最终我们需要实现的效果为：不需要准确输入垃圾的名称，只需要它的描述，就可以识别它是哪一种垃圾。

三.数据简介

本次使用的数据为标注后的文本，见下图：

---

三、代码功能介绍

1.依赖环境集IDE

本项目使用的是anaconda的jupyter notebook编译环境，如不清楚如何使用的同学可以参考csdn上其他博主的基础教程，这里就不进行赘述。

1. TensorFlow-GPU，版本:2.0及以上
2. sklearn
3. pandas
4. word2vec

• 完整代码下载地址

2.读取文本数据

• 读取所有的文本标注数据，共计4类。

3.数据预处理

• 对文本标注的类别进行编码：

# 类别编码函数
def change_label(label,path):
    from sklearn.preprocessing import LabelEncoder
    le_credit_level = LabelEncoder().fit(label)
    new_label = le_credit_level.transform(label)
    label_counts = len(Counter(label))
    # 保存编码对应关系
    lb_list = le_credit_level.classes_
    print("编码后类别个数:",label_counts)
    print("编码后对应关系:",lb_list)
    print("编码后类标数量:",Counter(new_label))
    np.save(path, lb_list)
    return new_label

• 文本text内容数据清洗：

# 定义数据清洗方法
def g_replace(texts):
    new_test = []
    for i in range(len(texts)):
        # 句子去除标点符号
        new_sentence = texts[i].replace(',',' ').replace('，',' ').replace('/',' ').replace('。',' ').replace('、',' ')
        new_test.append(new_sentence)
    return new_test

4.文字特征向量构建

我们使用word2vec对文本的内容进行特征向量构建。这里的思路为对每个字构建为一个200维的特征向量，然后将这句话所有涉及的文字的特征向量加总后求平均值。也就是说构建完成后，每个训练数据中每句话都对应了一个200维的特征向量。

# 定义文字特征构建函数
def my_word_vec(texts):
    word_vec_list = []
    for sentence in tqdm(texts):
        sentence = sentence.replace(' ','')
        # 每行文字特征向量
        row = 0
        for word in sentence:
            row += model.wv[word]
        row = row/len(sentence)
        word_vec_list.append(row)
    return word_vec_list

5.构建并训练模型

由于模型构建代码较多，这里就不一一进行展示，感兴趣的同学可以在文章下方找到完整代码下载地址。

5-1 决策树

5-2 随机森林

6.文本分类预测

我们想要达到的效果为输入一段文本描述，模型即可将文本正确分类为描述的是哪种类型的垃圾，主要涉及几个步骤：加载模型——>输入文本的特征向量构建——>输出类别——>类别转码。

6-1 加载模型

# 加载word2vec模型
w2v_model = Word2Vec.load('model/model_word2vec.m')
# 加载决策树模型
dtc_model = joblib.load('model/model_dtc.m')
# 加载随机森林模型
rfc_model = joblib.load('model/model_rf_grid.m')

6-2 文本特征构建

# 定义文字特征构建函数
def my_word_vec(sentence,model):
    sentence = sentence.replace(' ','')
    # 每行文字特征向量
    count,row = 0,0
    for word in sentence:
        try:
            row += model.wv[word]
            count += 1
        except:
            pass
    if count == 0:
        row = np.zeros(200)
    else:
        row = row/count
    return row

6-3 输出类别并转码

我们这里输入了一段文字 “做好的鱼” 选择了2：随机森林的模型对这段文本描述进行分类，最终分类的类别为：厨余垃圾，可以看到模型将这段描述正确分类了。

四、代码下载地址

由于项目代码量和数据集较大，感兴趣的同学可以直接下载代码，使用过程中如遇到任何问题可以在评论区进行评论，我都会一一解答。

代码下载：

• 【代码分享】基于python的文本分类（sklearn-决策树和随机森林实现）