Python文字特徵抽取與向量化演算法學習實例詳解
- 小云云原創
- 2017-12-23 17:05:575234瀏覽
假設我們剛看完諾蘭的大片《星際效應》，設想如何讓機器自動分析各位觀眾對電影的評價到底是「讚」（positive）還是「踩」（negative）呢？這類問題就屬於情緒分析問題。這類問題處理的第一步，就是將文字轉換為特徵。本文主要為大家詳細介紹了Python文本特徵抽取與向量化演算法，具有一定的參考價值，有興趣的小夥伴們可以參考一下，希望能幫助大家。
因此，這章我們只學習第一步，如何從文本中抽取特徵，並將其向量化。
由於中文的處理涉及分詞問題，本文用一個簡單的例子來說明如何使用Python的機器學習庫，對英文進行特徵提取。
1、資料準備
Python的sklearn.datasets支援從目錄讀取所有分類好的文字。不過目錄必須依照一個資料夾一個標籤名的規則放好。例如本文所使用的資料集共有2個標籤，一個為“net”，一個為“pos”，每個目錄下面有6個文字檔。目錄如下圖所示：
neg
1.txt
2.txt
......
pos
1.txt
2##pos
1.txt
2##pos
2 .txt
....
12個檔案的內容總結如下：
neg: shit. waste my money. waste of money. sb movie. waste of time. a shit movie. pos: nb! nb movie! nb! worth my money. I love this movie! a nb movie. worth it!
#2、文本特徵
最直觀的做法就是抽取單字。通常認為，許多關鍵字能夠反映說話者的態度。例如上面這個簡單的資料集，很容易發現，凡是說了「shit」的，就一定屬於neg類。
當然，上面資料集是為了方便描述而簡單設計的。現實中一個字常會有穆稜兩可的態度。但仍然有理由相信，某個單字在neg類中出現的越多，那麼他表示neg態度的機率越大。
同樣我們注意到有些單字對情感分類是毫無意義的。例如上述數據中的“of”，“I”之類的單字。這類字有個名字，叫做「
」（停用詞）。這類詞是可以完全忽略不做統計的。顯然忽略掉這些詞，詞頻記錄的儲存空間能夠優化，而且建置速度也更快。 把每個單字的字頻當作重要的特徵也存在一個問題。例如上述數據中的」movie「，在12個樣本中出現了5次，但是出現正反兩邊次數差不多，沒有什麼區分度。而」worth「出現了2次，但只出現在pos類中，顯然更具有強烈的剛晴色彩，即區分度很高。 因此，我們需要引入
TF-IDF（Term Frequency-Inverse Document Frequency，詞頻和逆向檔案頻率）對每個單字做進一步考量。
TF（詞頻）的計算很簡單，就是針對一個檔案t，某個單字Nt 出現在該文件中的頻率。例如文檔“I love this movie”，單字“love”的TF為1/4。如果去掉停用詞“I"和”it“，則為1/2。
IDF（逆向文件頻率）
例如單字「movie「總共出現了5次，而文檔總數為12，因此IDF為ln(5/12)。 很顯然，IDF是為了凸顯那種出現的少，但是佔有強烈感情色彩的字眼。例如「movie」這樣的字的IDF=ln(12/5)=0.88，遠小於「love」的IDF=ln(12/1)=2.48。
TF-IDF就是把二者簡單的乘在一起即可。這樣，求出每個文檔中，每個單字的TF-IDF，就是我們提取得到的文字特徵值。
3、向量化
有了上述基礎，就能夠將文件向量化了。我們先看程式碼，再來分析向量化的意義：
# -*- coding: utf-8 -*-
import scipy as sp
import numpy as np
from sklearn.datasets import load_files
from sklearn.cross_validation import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
'''''加载数据集，切分数据集80%训练，20%测试'''
movie_reviews = load_files('endata')
doc_terms_train, doc_terms_test, y_train, y_test\
= train_test_split(movie_reviews.data, movie_reviews.target, test_size = 0.3)
'''''BOOL型特征下的向量空间模型，注意，测试样本调用的是transform接口'''
count_vec = TfidfVectorizer(binary = False, decode_error = 'ignore',\
stop_words = 'english')
x_train = count_vec.fit_transform(doc_terms_train)
x_test = count_vec.transform(doc_terms_test)
x = count_vec.transform(movie_reviews.data)
y = movie_reviews.target
print(doc_terms_train)
print(count_vec.get_feature_names())
print(x_train.toarray())
print(movie_reviews.target)运行结果如下：
[b'waste of time.', b'a shit movie.', b'a nb movie.', b'I love this movie!', b'shit.', b'worth my money.', b'sb movie.', b'worth it!']
['love', 'money', 'movie', 'nb', 'sb', 'shit', 'time', 'waste', 'worth']
[[ 0. 0. 0. 0. 0. 0. 0.70710678 0.70710678 0. ]
[ 0. 0. 0.60335753 0. 0. 0.79747081 0. 0. 0. ]
[ 0. 0. 0.53550237 0.84453372 0. 0. 0. 0. 0. ]
[ 0.84453372 0. 0.53550237 0. 0. 0. 0. 0. 0. ]
[ 0. 0. 0. 0. 0. 1. 0. 0. 0. ]
[ 0. 0.76642984 0. 0. 0. 0. 0. 0. 0.64232803]
[ 0. 0. 0.53550237 0. 0.84453372 0. 0. 0. 0. ]
[ 0. 0. 0. 0. 0. 0. 0. 0. 1. ]]
[1 1 0 1 0 1 0 1 1 0 0 0]
python输出的比较混乱。我这里做了一个表格如下：
从上表可以发现如下几点：
1、停用词的过滤。
初始化count_vec的时候，我们在count_vec构造时传递了stop_words = 'english'，表示使用默认的英文停用词。可以使用count_vec.get_stop_words()查看TfidfVectorizer内置的所有停用词。当然，在这里可以传递你自己的停用词list（比如这里的“movie”）
2、TF-IDF的计算。
这里词频的计算使用的是sklearn的TfidfVectorizer。这个类继承于CountVectorizer，在后者基本的词频统计基础上增加了如TF-IDF之类的功能。
我们会发现这里计算的结果跟我们之前计算不太一样。因为这里count_vec构造时默认传递了max_df=1，因此TF-IDF都做了规格化处理，以便将所有值约束在[0,1]之间。
3、count_vec.fit_transform的結果是一個巨大的矩陣。我們可以看到上表中有大量的0，因此sklearn在內部實作上使用了稀疏矩陣。本範例數據較小。如果讀者有興趣，可以試試機器學習科學研究工作者使用的真實數據，來自康乃爾大學：http://www.cs.cornell.edu/people/pabo/movie-review-data/。這個網站提供了很多資料集，其中有幾個2M左右的資料庫，正反例700個左右。這樣的數據規模也不算大，1分鐘內還是可以跑完的，建議大家試試看。不過要注意這些資料集可能有非法字元問題。所以在構造count_vec時，傳入了decode_error = 'ignore'，以忽略這些非法字元。
上表的結果，就是訓練8個樣本的8個特徵的一個結果。這個結果就可以使用各種分類演算法來分類了。
相關推薦：
以上是Python文字特徵抽取與向量化演算法學習實例詳解的詳細內容。更多資訊請關注PHP中文網其他相關文章！