机器学习入门-贝叶斯中文新闻分类任务 1. .map(做标签数字替换) 2.CountVectorizer(词频向量映射) 3.TfidfVectorizer(TFDIF向量映射) 4.MultinomialNB()贝叶斯模型构建

1.map做一个标签的数字替换

2.vec = CountVectorizer(lowercase=False, max_features=4000)  # 从sklean.extract_feature.text 导入，根据词频做一个数字的映射，max_feature表示的是最大的特征数

需要先使用vec.fit ，再使用vec.transform 才有效

3. vec = TfidfVectorizer(lowercase=False, max_features=4000)  # 从sklean.extract_feature.text 导入，根据TF-dif做一个数字的映射，max_feature表示的是最大的特征数

4.MultinomialNB()  进行贝叶斯模型的构建，这里使用的是一个向量相似度的计算，采用的是余弦定理，from sklean,naive_bayes

对于需要构成语料库的数据，我们需要去停用词

停用词包括

1. 语料中大量出现的               如 1.！， 2.", 3.#, 4.$, 5.%

2. 没啥大用                                  1.一下 2.一些 3.一项 4.一则

关键词提取

TF-IDF

比如有3个词：中国,蜜蜂,养殖

TF（词频）：表示的是蜜蜂在这个文章里出现的次数，即词频/ 这个文章词的个数

IDF(拟文档评率)：表示的是log（文章总数/出现这个词文章的个数+1）  比如一共有10000个文章，出现这个词的文章为100， 那么idf约等于3

TF-IDF = TF * IDF

相似度计算：

比如句子A: 我喜欢看电视，不喜欢看电影

句子B: 我不喜欢看电视，也不喜欢看电影

对两个句子进行分词， 语料库：我，喜欢，看，电视，电影，不，也

统计词频：

句子A  : 我1， 喜欢2， 看2， 电视1， 不1， 电影1， 也0

句子B: 我1， 喜欢2， 看2， 电视1， 不2， 电影1， 也1

转换为向量的形式

A = [1, 2, 2, 1, 1, 1, 0]

B = [1, 2, 2, 1, 2, 1, 1]

使用余弦相似度来进行相似度的匹配，做为p(d|h)

1.载入新闻数据

2.使用结巴分词器进行分词

3.将分词后的结果去除停用词

4. 将去除停用词的数据增加一列标签

5.进行数据的拆分，分成训练数据和测试数据

6.对训练数据和测试数据进行文本表示，使用CountVectorizer()，先fit训练数据的变量，然后在分别transform训练数据和测试数据，进行词频向量化操作

7.使用贝叶斯进行训练和预测

import pandas as pd
import numpy as np
import jieba

# 1.导入数据语料的新闻数据
df_data = pd.read_table('data/val.txt', names=['category', 'theme', 'URL', 'content'], encoding='utf-8')

# 2.对语料库进行分词操作
df_contents = df_data.content.values.tolist()

# list of list 结构
Jie_content = []
for df_content in df_contents:
    split_content = jieba.lcut(df_content)
    if len(split_content) > 1 and split_content != '\t\n':
        Jie_content.append(split_content)

# 3. 导入停止词的语料库, sep='\t'表示分隔符， quoting控制引号的常量， names=列名， index_col=False，不用第一列做为行的列名， encoding
stopwords = pd.read_csv('stopwords.txt', sep='\t', quoting=3, names=['stopwords'], index_col=False, encoding='utf-8')
print(stopwords.head())

# 对文本进行停止词的去除
def drop_stops(Jie_content, stopwords):
    clean_content = []
    all_words = []
    for j_content in Jie_content:
        line_clean = []
        for line in j_content:
            if line in stopwords:
                continue
            line_clean.append(line)
            all_words.append(line)
        clean_content.append(line_clean)

    return clean_content, all_words
# 将DateFrame的stopwords数据转换为list形式
stopwords = stopwords.stopwords.values.tolist()
clean_content, all_words = drop_stops(Jie_content, stopwords)
print(clean_content[0])

# 4. 构造训练数据，变量是content，标签是category
df_content = pd.DataFrame({'content':clean_content, 'label':df_data['category']})
# 使用map将标签转换为数字形式
print(df_content.label.unique())
label_map = {'汽车':1, '财经':2, '科技':3, '健康':4, '体育':5, '教育':6, '文化':7, '军事':8, '娱乐':9, '时尚':10}
df_content['label'] = df_content['label'].map(label_map)

# 5.使用train_test_split 分出训练集和测试集

from sklearn.cross_validation import train_test_split
train_x, test_x, train_y, test_y = train_test_split(df_content['content'], df_content['label'], random_state=1)
# 将样本特征转换为词频向量的形式

from sklearn.feature_extraction.text import CountVectorizer
# 6. 为了满足CountVectorizer的形式，我们需要对转换前的样本做转换

train_x_str = []
for line in train_x:
    str_line = ' '.join(line)
    train_x_str.append(str_line)
test_x_str = []
for line in test_x:
    str_line = ' '.join(line)
    test_x_str.append(str_line)

# 将文本数据根据词频转换为向量形式
vec = CountVectorizer(lowercase=False, max_features=4000)
vec.fit(train_x_str)

# 7步 使用贝叶斯模型进行训练和测试
from sklearn.naive_bayes import MultinomialNB

print('', np.shape(vec.transform(train_x_str)))
classifier = MultinomialNB()
classifier.fit(vec.transform(train_x_str), train_y)
print(classifier.score(vec.transform(test_x_str), test_y))

# 8. 使用TF-IDF构建向量矩阵
from sklearn.feature_extraction.text import TfidfVectorizer

vec = TfidfVectorizer(lowercase=False, max_features=4000)
vec.fit(train_x_str)
classifier.fit(vec.transform(train_x_str), train_y)
print(classifier.score(vec.transform(test_x_str), test_y))

vec = TfidfVectorizer(lowercase=False, max_features=4000, ngram_range=(1, 3))
vec.fit(train_x_str)
classifier.fit(vec.transform(train_x_str), train_y)
print(classifier.score(vec.transform(test_x_str), test_y))