NLP-T3基于机器学习的文本分类

在上章节中，对赛题的数据进行读取，并在末尾留出两个小作业–基本掌握pandas读取操作。在本章我们将使用传统机器学习算法来完成新闻分类的过程，将会接触到赛题的核心知识点。
【学习目标】

• 学会TF-IDF的原理和使用
• 使用sklearn的机器学习模型完成文本分类

3 基于机器学习的文本分类

在本章开始使用机器学习模型来解决文本分类。机器学习发展比较广，且包括多个分支，本章使用传统机器学习，从下一章开始是基于机器学习—>深度学习的文本分类。

3.1 机器学习模型

1. 机器学习是对能通过经验自动改进的计算机算法的研究。机器学习通过历史数据训练出模型—>相对应于人类对经验进行归纳的过程，机器学习利用模型对新数据进行预测---->相对应于人类利用总结的规律对新问题进行预测的过程。
2. 机器学习有多种分支，对于初学者来说，应该先掌握机器学习算法的分类，然后再其中一种机器学习算法进行学习。因为机器学习算法的分支和细节实在是太多，所以如果你一开始就被细节迷住了眼，就很难知道全局是什么情况的。
   机器学习使用用途归类：
3. 机器学习算法能解决一定的问题，但不能奢求机器学习是万能的。
4. 机器学习算法有多种，看具体问题需要什么，再来进行选择。
5. 每种机器学习算法有一定的偏好，需要具体问题具体分析。

【插入图片】

3.2 文本表示方法 Part1

在机器学习算法的训练过程中，假设给定N个样本，每个样本有M个特征，这样组成了NXM 的样本矩阵，然后完成算法的训练和预测。同样的在计算机视觉中可以将图片的像素看做特征，每张图片看做hight x width x 3的特征图，一个三维的矩阵来进入计算机进行计算。
但是在NLP领域，上诉方法可不行：文本是不定长度的。文本表示成计算机能够计算的数字或者向量的方法—称为词嵌入方法(Word Embedding)方法。词嵌入法将不定长的文本转换到定长的空间内，是文本分类的第一步。

3.2.1 One-hot

这里的One-hot与数据挖掘任务中的操作是一致的，，即将每一个单词使用一个离散的向量表示。具体将每个字/词编码一个索引，然后根据索引进行赋值。
One-hot表示方法示例如下：
句子1：我 爱 北 京 天 安 门
句子2：我 喜 欢 上 海
首先对所有句子的字进行索引，即将每个字确定一个编号。

{
	'我': 1, '爱': 2, '北': 3, '京': 4, '天': 5,
  '安': 6, '门': 7, '喜': 8, '欢': 9, '上': 10, '海': 11
}

在这里共包括11个字，因此每个字可以转换为一个11维度稀疏向量：

我：[1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
爱：[0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0]
...
海：[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1]

3.2.2 Bag of words

Bag of Words（词袋表示），也称为Count Vectors，每个文档的字/词可以使用其出现次数来进行表示。

句子1：我 爱 北 京 天 安 门
句子2：我 喜 欢 上 海

直接统计每个字出现的次数，并进行赋值：

句子1：我 爱 北 京 天 安 门
转换为 [1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0]

句子2：我 喜 欢 上 海
转换为 [1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1]

在sklearn中可以直接CountVectorizer来实现这一步骤：

from sklearn.feature_extraction.text import CountVectorizer
corpus = [
    'This is the first document.',
    'This document is the second document.',
    'And this is the third one.',
    'Is this the first document?',
]
vectorizer = CountVectorizer()
vectorizer.fit_transform(corpus).toarray()

3.2.3 N-gram

N-gram与Count Vectors类似，不过加入了相邻单词组合成为新的单词，并进行计数：
如果N取值为2，则句子和1句子2就变为：

句子1：我爱 爱北 北京 京天 天安 安门
句子2：我喜 喜欢 欢上 上海

3.2.4 TF-IDF

TF-IDF分数由两部分组成：第一部分是词语频率(Term Frequency)，第二部分就是逆文档频率(Inverse Document Frequency)。其中计算语料库中文档总数除以含有该词语的文档数量，然后再取对数就是逆文档频率。
TF(t)= 该词语在当前文档中出现的次数/ 当前文档中词语的总数
IDF(t) = log_e(文档总数/ 出现该词语的文档总数)

3.2 基于机器学习的文本分类

对比不同文本表示算法的精度，通过本地构建验证集计算F1得分。

3.2.1 Count Vectors+RidgeClass

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import RidgeClassifier
from sklearn.metrics import f1_score

train_df = pd.read_csv('../imput/train_set.csv',sep='\t',nrows=15000)

vectorizer =CountVectorizer(max_features=3000)
train_test = vectorizer.fit_transform(tran_df['text'])

clf = RidgeClassifier()
clf.fit(train_test[:1000],train_df['label'].values[:1000])

val_pred = clf.predict(train_test[10000:])
print(f1_score(train_df['label'].values[10000:],val_pred,average='macro'))

#【输出】
# 0.74
### 3.2.2 TF-IDF+RidgeClassifier
```py
import pandas as pd

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn,linear_model import RidgeClassfier
from sklearn.metrics import fit_score

train_df = pd.read_csv('../input/train_set..csv',sep='\t',nrows=1500)
train_test = tfidf.fit_transform(train_df['text'])

clf = RidgeClassifer()
clf.fit(train_test[:10000],train_df['label'].values[:10000])

val_pred = clf.predict(train_test[10000:])
print(f1_score(train_df['label'].values[10000:], val_pred,average='macco'))
print(f1_score(train-df['label'].values[10000:],val_pred,average='macro'))

# 0.87

3.2.2 本章小结

本章介绍了基于机器学习的文本分类方法，并完成两种方法的对比。

3.3 本章作业

1. 尝试改变TF-IDF的参数，并验证精度
2. 尝试使用其他机器学习模型，完成训练和验证。

【待续】