基于KNN的newsgroup 18828文本分类器的Python实现
还是同前一篇作为学习入门。
1. KNN算法描述:
step1: 文本向量化表示,计算特征词的TF-IDF值
step2: 新文本到达后,根据特征词确定文本的向量
step3 : 在训练文本集中选出与新文本向量最相近的k个文本向量,相似度度量采用“余弦相似度”,根据实验测试的结果调整k值,此次选择20
step4: 在新文本的k个邻居中,依次计算每类的权重,
step5: 比较类的权重,将新文本放到权重最大的那个类中
2. 文档TF-IDF计算和向量化表示
# -*- coding: utf-8 -*-
import time
from os import listdir
from math import log
from numpy import *
from numpy import linalg
from operator import itemgetter ###################################################
## 计算所有单词的IDF值
###################################################
def computeIDF():
fileDir = 'processedSampleOnlySpecial_2'
wordDocMap = {} # <word, set(docM,...,docN)>
IDFPerWordMap = {} # <word, IDF值>
countDoc = 0.0
cateList = listdir(fileDir)
for i in range(len(cateList)):
sampleDir = fileDir + '/' + cateList[i]
sampleList = listdir(sampleDir)
for j in range(len(sampleList)):
sample = sampleDir + '/' + sampleList[j]
for line in open(sample).readlines():
word = line.strip('\n')
if word in wordDocMap.keys():
wordDocMap[word].add(sampleList[j]) # set结构保存单词word出现过的文档
else:
wordDocMap.setdefault(word,set())
wordDocMap[word].add(sampleList[j])
print 'just finished %d round ' % i for word in wordDocMap.keys():
countDoc = len(wordDocMap[word]) # 统计set中的文档个数
IDF = log(20000/countDoc)/log(10)
IDFPerWordMap[word] = IDF return IDFPerWordMap ###################################################
## 将IDF值写入文件保存
###################################################
def main():
start=time.clock()
IDFPerWordMap = computeIDF()
end=time.clock()
print 'runtime: ' + str(end-start)
fw = open('IDFPerWord','w')
for word, IDF in IDFPerWordMap.items():
fw.write('%s %.6f\n' % (word,IDF))
fw.close() ########################################################
## 生成训练集和测试集的文档向量,向量形式<cate, doc, (word1, tdidf1), (word2, tdidf2),...> 存入文件
## @param indexOfSample 迭代的序号
## @param trainSamplePercent 训练集合和测试集合划分百分比
########################################################
def computeTFMultiIDF(indexOfSample, trainSamplePercent):
IDFPerWord = {} # <word, IDF值> 从文件中读入后的数据保存在此字典结构中
for line in open('IDFPerWord').readlines():
(word, IDF) = line.strip('\n').split(' ')
IDFPerWord[word] = IDF fileDir = 'processedSampleOnlySpecial_2'
trainFileDir = "docVector/" + 'wordTFIDFMapTrainSample' + str(indexOfSample)
testFileDir = "docVector/" + 'wordTFIDFMapTestSample' + str(indexOfSample) tsTrainWriter = open(trainFileDir, 'w')
tsTestWriter = open(testFileDir, 'w') cateList = listdir(fileDir)
for i in range(len(cateList)):
sampleDir = fileDir + '/' + cateList[i]
sampleList = listdir(sampleDir) testBeginIndex = indexOfSample * ( len(sampleList) * (1-trainSamplePercent) )
testEndIndex = (indexOfSample+1) * ( len(sampleList) * (1-trainSamplePercent) ) for j in range(len(sampleList)):
TFPerDocMap = {} # <word, 文档doc下该word的出现次数>
sumPerDoc = 0 # 记录文档doc下的单词总数
sample = sampleDir + '/' + sampleList[j]
for line in open(sample).readlines():
sumPerDoc += 1
word = line.strip('\n')
TFPerDocMap[word] = TFPerDocMap.get(word, 0) + 1 if(j >= testBeginIndex) and (j <= testEndIndex):
tsWriter = tsTestWriter
else:
tsWriter = tsTrainWriter tsWriter.write('%s %s ' % (cateList[i], sampleList[j])) # 写入类别cate,文档doc for word, count in TFPerDocMap.items():
TF = float(count)/float(sumPerDoc)
tsWriter.write('%s %f ' % (word, TF * float(IDFPerWord[word]))) # 继续写入类别cate下文档doc下的所有单词及它的TF-IDF值 tsWriter.write('\n') print 'just finished %d round ' % i #if i==0: break tsTrainWriter.close()
tsTestWriter.close()
tsWriter.close()
3. KNN算法的实现
def doProcess():
trainFiles = 'docVector/wordTFIDFMapTrainSample0'
testFiles = 'docVector/wordTFIDFMapTestSample0'
kNNResultFile = 'docVector/KNNClassifyResult' trainDocWordMap = {} # 字典<key, value> key=cate_doc, value={{word1,tfidf1}, {word2, tfidf2},...} for line in open(trainFiles).readlines():
lineSplitBlock = line.strip('\n').split(' ')
trainWordMap = {}
m = len(lineSplitBlock)-1
for i in range(2, m, 2): # 在每个文档向量中提取(word, tfidf)存入字典
trainWordMap[lineSplitBlock[i]] = lineSplitBlock[i+1] temp_key = lineSplitBlock[0] + '_' + lineSplitBlock[1] # 在每个文档向量中提取类目cate,文档doc,
trainDocWordMap[temp_key] = trainWordMap testDocWordMap = {} for line in open(testFiles).readlines():
lineSplitBlock = line.strip('\n').split(' ')
testWordMap = {}
m = len(lineSplitBlock)-1
for i in range(2, m, 2):
testWordMap[lineSplitBlock[i]] = lineSplitBlock[i+1] temp_key = lineSplitBlock[0] + '_' + lineSplitBlock[1]
testDocWordMap[temp_key] = testWordMap #<类_文件名,<word, TFIDF>> #遍历每一个测试样例计算与所有训练样本的距离,做分类
count = 0
rightCount = 0
KNNResultWriter = open(kNNResultFile,'w')
for item in testDocWordMap.items():
classifyResult = KNNComputeCate(item[0], item[1], trainDocWordMap) # 调用KNNComputeCate做分类 count += 1
print 'this is %d round' % count classifyRight = item[0].split('_')[0]
KNNResultWriter.write('%s %s\n' % (classifyRight,classifyResult))
if classifyRight == classifyResult:
rightCount += 1
print '%s %s rightCount:%d' % (classifyRight,classifyResult,rightCount) accuracy = float(rightCount)/float(count)
print 'rightCount : %d , count : %d , accuracy : %.6f' % (rightCount,count,accuracy)
return accuracy #########################################################
## @param cate_Doc 测试集<类别_文档>
## @param testDic 测试集{{word, TFIDF}}
## @param trainMap 训练集<类_文件名,<word, TFIDF>>
## @return sortedCateSimMap[0][0] 返回与测试文档向量距离和最小的类
#########################################################
def KNNComputeCate(cate_Doc, testDic, trainMap):
simMap = {} #<类目_文件名,距离> 后面需要将该HashMap按照value排序
for item in trainMap.items():
similarity = computeSim(testDic,item[1]) # 调用computeSim()
simMap[item[0]] = similarity sortedSimMap = sorted(simMap.iteritems(), key=itemgetter(1), reverse=True) #<类目_文件名,距离> 按照value排序 k = 20
cateSimMap = {} #<类,距离和>
for i in range(k):
cate = sortedSimMap[i][0].split('_')[0]
cateSimMap[cate] = cateSimMap.get(cate,0) + sortedSimMap[i][1] sortedCateSimMap = sorted(cateSimMap.iteritems(),key=itemgetter(1),reverse=True) return sortedCateSimMap[0][0] #################################################
## @param testDic 一维测试文档向量<<word, tfidf>>
## @param trainDic 一维训练文档向量<<word, tfidf
## @return 返回余弦相似度
def computeSim(testDic, trainDic):
testList = [] # 测试向量与训练向量共有的词在测试向量中的tfidf值
trainList = [] # # 测试向量与训练向量共有的词在训练向量中的tfidf值 for word, weight in testDic.items():
if trainDic.has_key(word):
testList.append(float(weight)) # float()将字符型数据转换成数值型数据,参与下面运算
trainList.append(float(trainDic[word])) testVect = mat(testList) # 列表转矩阵,便于下面向量相乘运算和使用Numpy模块的范式函数计算
trainVect = mat(trainList)
num = float(testVect * trainVect.T)
denom = linalg.norm(testVect) * linalg.norm(trainVect)
#print 'denom:%f' % denom
return float(num)/(1.0+float(denom))
输出结果:



运行时遇到几种语法错误:
Error1:
split(' ')按空格分割后最后一位是空串,不检查分割后数组的最后一位很难发现,以致产生越界

Error2:
因为导入数据用字符串运算strip切分后,返回的都是字符型数据,而string不能计算,需int(string) float(string)转换后参与计算,错误如下:

Error3:
sorted()对字典中每对<key, value>数据进行排序,返回的是包含tuple(key, value)的列表,之前不了解这一点,出现了index的错误:

sorted()的返回形式:

基于KNN的newsgroup 18828文本分类器的Python实现的更多相关文章
- 基于Bayes和KNN的newsgroup 18828文本分类器的Python实现
向@yangliuy大牛学习NLP,这篇博客是数据挖掘-基于贝叶斯算法及KNN算法的newsgroup18828文本分类器的JAVA实现(上)的Python实现.入门为主,没有太多自己的东西. 1. ...
- 《机器学习实战》基于朴素贝叶斯分类算法构建文本分类器的Python实现
============================================================================================ <机器学 ...
- 股票价格涨跌预测—基于KNN分类器
code{white-space: pre;} pre:not([class]) { background-color: white; }if (window.hljs && docu ...
- 基于Text-CNN模型的中文文本分类实战 流川枫 发表于AI星球订阅
Text-CNN 1.文本分类 转眼学生生涯就结束了,在家待就业期间正好有一段空闲期,可以对曾经感兴趣的一些知识点进行总结. 本文介绍NLP中文本分类任务中核心流程进行了系统的介绍,文末给出一个基于T ...
- 基于Text-CNN模型的中文文本分类实战
Text-CNN 1.文本分类 转眼学生生涯就结束了,在家待就业期间正好有一段空闲期,可以对曾经感兴趣的一些知识点进行总结. 本文介绍NLP中文本分类任务中核心流程进行了系统的介绍,文末给出一个基于T ...
- 基于jquery的bootstrap在线文本编辑器插件Summernote
Summernote是一个基于jquery的bootstrap超级简单WYSIWYG在线编辑器.Summernote非常的轻量级,大小只有30KB,支持Safari,Chrome,Firefox.Op ...
- 基于SIFT+Kmeans+LDA的图片分类器的实现
原地址:http://www.cnblogs.com/freedomshe/archive/2012/04/24/2468747.html 题记:2012年4月1日回到家,南大计算机研究僧复试以后,等 ...
- Chinese-Text-Classification,用卷积神经网络基于 Tensorflow 实现的中文文本分类。
用卷积神经网络基于 Tensorflow 实现的中文文本分类 项目地址: https://github.com/fendouai/Chinese-Text-Classification 欢迎提问:ht ...
- 一个使用fasttext训练的新闻文本分类器/模型
fastext是什么? Facebook AI Research Lab 发布的一个用于快速进行文本分类和单词表示的库.优点是很快,可以进行分钟级训练,这意味着你可以在几分钟时间内就训练好一个分类模型 ...
随机推荐
- node与mongodb的使用
1.mongdb安装好后,在.bin文件夹下执行mongod.exe --dbpath=D:\mongodb\db 即可启动mongodb,表示将数据放在db这个文件夹,且每一次启动要执行完整的这句 ...
- ZACC_DOCUMENT
method if_ex_acc_document~change. data: wa_extension type bapiparex, ext_value() type c, wa_accit ty ...
- js 判断是什么类型浏览器
// firefoxif ( window.sidebar && "object" == typeof( window.sidebar ) && ...
- PDF 补丁丁 0.5.0.2273 测试版发布:修复崩溃问题,可自定义工具栏文本
新的测试版修复了编辑器在打开文件后再打开文件会崩溃的严重错误,以及一些小问题. 在一些小细节上作了调整,例如可自定义常用工具栏的文本等等. 由于之前测试版本的错误比较严重,推荐网友下载新的测试版.
- Mysql Innodb 引擎优化-内存、日志、IO、其他相关参数
介绍: InnoDB给MySQL提供了具有提交,回滚和崩溃恢复能力的事务安全(ACID兼容)存储引擎.InnoDB锁定在行级并且也在SELECT语句提供一个Oracle风格一致的非锁定读.这些特色增加 ...
- ubuntu - 中文
首先要从Ubuntu语言设置那里,把中文语言包安装上 打开/etc/environment 在下面添加如下两行 LANG="zh_CN.UTF-8″ LANGUAGE="zh_CN ...
- FastReport4.6 组件安装
要完整版不是官方版的试用版.下面包括有的文件 安装前请册除原有的FR控件. 1. "Tools|Environmet options..."中的"Library" ...
- JAVA动手动脑多态
动手实验一:下列语句哪一个将引起编译错误?为什么?哪一个会引起运行时错误?为什么? m=d; d=m; d=(Dog)m; d=c; c=(Cat)m; 先进行自我判断,得出结论后,运行TestCas ...
- SQLserver 备份和还原 失败
错误一: 备份对于服务器“xxxxxx”失败. System.Data.SqlClient.SqlError: 无法使用备份文件 'C:\Program Files\Microsoft SQL Ser ...
- 日常contest总结
codeforces#352 div2 A 一个字符串的构造规律为1234567891011 问该字符串第i个数字是哪个 n<=1000 枚举即可 考虑这道题的拓展 当n=1e9的时候按位数枚举 ...