NLP学习|NLP学习 Task 3 基于机器学习的文本分类笔记 NLP学习Task3基于机器学习的文本

1. 文本表示方法 ??在自然语言领域，文本是不定长度的。文本表示成计算机能够运算的数字或向量的方法一般称为词嵌入（Word Embedding）方法。词嵌入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。
（1）One - hot ??将每一个字使用一个离散的向量表示。具体步骤：对每个字/词编码一个索引，然后根据索引对向量内的对应位置进行赋值。

句子1：我爱北京天安门句子2：我喜欢上海{ '我': 1, '爱': 2, '北': 3, '京': 4, '天': 5, '安': 6, '门': 7, '喜': 8, '欢': 9, '上': 10, '海': 11 }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]

（2）Bag of Words，也称为 Count Vectors ??Bag of Words（词袋表示），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 中可以直接调用 CountVectorizer 来实现这一过程：

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）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1和句子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

（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）

2. 基于机器学习的文本分类 【NLP学习|NLP学习 Task 3 基于机器学习的文本分类笔记】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。
（1）Count Vectors + RidgeClassifier

# Count Vectors + RidgeClassifierimport pandas as pd from sklearn.feature_extraction.text import CountVectorizer from sklearn.linear_model import RidgeClassifier from sklearn.metrics import f1_scorepath_train_data = https://www.it610.com/article/r'D:\DataWhale\DW_NLP\Competition_Data\train_set.csv' train_df = pd.read_csv(path_train_data, sep='\t', nrows=15000)# pandas读取数据# CountVectorizer会将文本中的词语转换为词频矩阵，它通过fit_transform函数计算各个词语出现的次数。 # max_features：默认为None，可设为int，对所有关键词的词频进行降序排序，只取前max_features个作为关键词集 vectorizer = CountVectorizer(max_features=3000) train_test = vectorizer.fit_transform(train_df['text'])clf = RidgeClassifier() # fit(self, x, y, sample_weight=None)拟合岭分类器模型 # x训练数据集，y标签值，sample_weight每个样本的单独权重 clf.fit(train_test[:10000], train_df['label'].values[:10000]) # 前10000个样本# clf.predict(X)：Predict class labels for samples in X.(预测X中样本的类别标签) val_pred = clf.predict(train_test[10000:]) print(f1_score(train_df['label'].values[10000:], val_pred, average='macro')) # 0.7406241569237678

F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。
F1 = 2 x（precision x recall）/（precision + recall）
f1_score(val_true, val_pred, labels=None, pos_label=1, average='binary', sample_weight=None)
val_true ：目标的真实类别。
val_pred ：分类器预测得到的类别。
average ：[None, ‘binary’(default), ‘micro’, ‘macro’, ‘samples’, ‘weighted’] 如果是二分类问题则选择 binary；如果考虑类别的不平衡性，需要计算类别的加权平均，则使用 weighted；如果不考虑类别的不平衡性，计算宏平均，则使用 macro。
（2）TF-IDF + RidgeClassifier

# TF-IDF + RidgeClassifierimport pandas as pd from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.linear_model import RidgeClassifier from sklearn.metrics import f1_scorepath_train_data = https://www.it610.com/article/r'D:\DataWhale\DW_NLP\Competition_Data\train_set.csv' train_df = pd.read_csv(path_train_data, sep='\t', nrows=15000)# pandas读取数据# 要提取的n-gram的n-values的下限和上限范围，在min_n（1） <= x <= max_n（3）区间的n的全部值，即1，2，3 tfidf = TfidfVectorizer(ngram_range=(1,3), max_features=3000) train_test = tfidf.fit_transform(train_df['text'])clf = RidgeClassifier() 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='macro')) # 0.8721598830546126

关于TfidfVectorizer的参数的参考文章：https://blog.csdn.net/laobai1015/article/details/80451371
3. 补充（1）尝试改变TF-IDF的参数，并验证精度

文章图片

数据量越大，训练效果越好。max_feature越大，效果越好，但是达到一定程度，效果增加的不够明显。对于停用词，从结果来看，3750的最好，其次是648，最后是900，但其实648和900效果基本没什么差别。
（2）尝试使用其他机器学习模型，完成训练和验证关于SVM参数的参考文章：https://blog.csdn.net/nc514819873/article/details/89331088