使用多项式朴素贝叶斯对文档进行分类

原创转载请注明出处：https://www.cnblogs.com/agilestyle/p/12832908.html

过程划分

基于分词的数据准备，包括分词、单词权重计算、去掉停用词；
应用朴素贝叶斯分类进行分类，首先通过训练集得到朴素贝叶斯分类器，然后将分类器应用于测试集，并与实际结果做对比，最终得到测试集的分类准确率。

导入文档

参考 https://github.com/cystanford/text_classification/tree/master/text%20classification，下载后将整个目录导入工程目录即可

准备数据

import os

import jieba
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB


def cut_words(file_path):
    """
    对文本进行切词
    :param file_path: txt文本路径
    :return: 用空格分词的字符串
    """
    text_with_spaces = ''
    with open(file_path, 'r', encoding='gb18030') as f:
        text = f.read()
    textcut = jieba.cut(text)
    for word in textcut:
        text_with_spaces += word + ' '
    return text_with_spaces


def load_file(file_dir, label):
    """
    将路径下的所有文件加载
    :param file_dir: 保存txt文件目录
    :param label: 文档标签
    :return: 分词后的文档列表和标签
    """
    file_list = os.listdir(file_dir)
    words_list = []
    labels_list = []
    for file in file_list:
        file_path = file_dir + '/' + file
        words_list.append(cut_words(file_path))
        labels_list.append(label)
    return words_list, labels_list


# 训练数据
train_words_list1, train_labels1 = load_file('text_classification/train/女性', '女性')
train_words_list2, train_labels2 = load_file('text_classification/train/体育', '体育')
train_words_list3, train_labels3 = load_file('text_classification/train/文学', '文学')
train_words_list4, train_labels4 = load_file('text_classification/train/校园', '校园')

train_words_list = train_words_list1 + train_words_list2 + train_words_list3 + train_words_list4
train_labels = train_labels1 + train_labels2 + train_labels3 + train_labels4

# 测试数据
test_words_list1, test_labels1 = load_file('text_classification/test/女性', '女性')
test_words_list2, test_labels2 = load_file('text_classification/test/体育', '体育')
test_words_list3, test_labels3 = load_file('text_classification/test/文学', '文学')
test_words_list4, test_labels4 = load_file('text_classification/test/校园', '校园')

test_words_list = test_words_list1 + test_words_list2 + test_words_list3 + test_words_list4
test_labels = test_labels1 + test_labels2 + test_labels3 + test_labels4

对文档进行分词

在准备阶段里，最重要的就是分词。在中文文档中，最常用的是 jieba 包。jieba 包中包含了中文的停用词 stop words 和分词方法。

e.g.

import jieba
word_list = jieba.cut(text)

英文文档和中文文档所使用的分词工具不同。在英文文档中，最常用的是 NTLK 包。NTLK 包中包含了英文的停用词 stop words、分词和标注方法。

e.g.

import nltk
# 分词
word_list = nltk.word_tokenize(text)
# 标注单词的词性
nltk.pos_tag(word_list)

加载停用词表

with open('text_classification/stop/stopword.txt', 'r', encoding='utf-8') as f:
    stop_words = f.read()
# 列表头部处理
stop_words = stop_words.encode('utf-8').decode('utf-8-sig')
# 根据分隔符分隔
stop_words = stop_words.split('
')

计算单词的权重

# 计算单词权重
tf = TfidfVectorizer(stop_words=stop_words, max_df=0.5)

train_features = tf.fit_transform(train_words_list)
test_features = tf.transform(test_words_list)

Note:

max_df 参数用来描述单词在文档中的最高出现率。假设 max_df=0.5，代表一个单词在 50% 的文档中都出现过了，那么它只携带了非常少的信息，因此就不作为分词统计。

一般很少设置 min_df，因为 min_df 通常都会很小。

生成朴素贝叶斯分类器

将特征训练集的特征空间 train_features，以及训练集对应的分类 train_labels 传递给贝叶斯分类器 clf，它会自动生成一个符合特征空间和对应分类的分类器。

这里采用的是多项式贝叶斯分类器，其中 alpha 为平滑参数。为什么要使用平滑呢？因为如果一个单词在训练样本中没有出现，这个单词的概率就会被计算为 0。但训练集样本只是整体的抽样情况，不能因为一个事件没有观察到，就认为整个事件的概率为 0。为了解决这个问题，需要做平滑处理。

当 alpha=1 时，使用的是 Laplace 平滑。Laplace 平滑就是采用加 1 的方式，来统计没有出现过的单词的概率。这样当训练样本很大的时候，加 1 得到的概率变化可以忽略不计，也同时避免了零概率的问题。

当 0<alpha<1 时，使用的是 Lidstone 平滑。对于 Lidstone 平滑来说，alpha 越小，迭代次数越多，精度越高。可以设置 alpha 为 0.001。

clf = MultinomialNB(alpha=0.001)

使用生成的分类器做预测

clf.fit(train_features, train_labels)

计算准确率

# score: 0.91
print('score:', clf.score(test_features, test_labels))

Reference

https://time.geekbang.org/column/article/79762