基于jieba,TfidfVectorizer,LogisticRegression进行搜狐新闻文本分类

一、简介

　此文是对利用jieba,word2vec,LR进行搜狐新闻文本分类的准确性的提升，数据集和分词过程一样，这里就不在叙述，读者可参考前面的处理过程

　经过jieba分词，产生24000条分词结果（sohu_train.txt有24000行数据，每行对应一个分词结果）

with open('cutWords_list.txt') as file:
    cutWords_list = [ k.split() for k in file ]

　1）TfidfVectorizer模型

　　调用sklearn.feature_extraction.text库的TfidfVectorizer方法实例化模型对象。TfidfVectorizer方法4个参数含义：

• 第1个参数是分词结果，数据类型为列表，其中的元素也为列表
• 第2个关键字参数stop_words是停顿词，数据类型为列表
• 第3个关键字参数min_df是词频低于此值则忽略，数据类型为int或float
• 第4个关键字参数max_df是词频高于此值则忽略，数据类型为int或float

from sklearn.feature_extraction.text import TfidfVectorizer
tfidf = TfidfVectorizer(cutWords_list, stop_words=stopword_list, min_df=40, max_df=0.3)

　2）特征工程

X = tfidf.fit_transform(train_df['文章'])
print('词表大小', len(tfidf.vocabulary_))
print(X.shape)

　　可见每篇文章内容被向量化，维度特征时3946

　3）模型训练

　　3.1）LabelEncoder

from sklearn.preprocessing import LabelEncoder
import pandas as pd
train_df = pd.read_csv('sohu_train.txt', sep='\t', header=None)
 
labelEncoder = LabelEncoder()
y = labelEncoder.fit_transform(train_df[0])#一旦给train_df加上columns，就无法使用[0]来获取第一列了
y.shape

　　

　　3.2）逻辑回归

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
 
train_X, test_X, train_y, test_y = train_test_split(X, y, test_size=0.2)
logistic_model = LogisticRegression(multi_class = 'multinomial', solver='lbfgs')
logistic_model.fit(train_X, train_y)
logistic_model.score(test_X, test_y)

　　　　其中逻辑回归参数官方文档：http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html

　　3.3）保存模型

　　　　调用pickle：pip install pickle

　　　　第1个参数是保存的对象，可以为任意数据类型，因为有3个模型需要保存，所以下面代码第1个参数是字典

　　　　第2个参数是保存的文件对象

import pickle
with open('tfidf.model', 'wb') as file:
    save = {
        'labelEncoder' : labelEncoder,
        'tfidfVectorizer' : tfidf,
        'logistic_model' : logistic_model
    }
 
    pickle.dump(save, file)

　　3.4）交叉验证

　　　　在进行此步的时候，不需要运行此步之前的所有步骤，即可以重新运行jupyter notebook。然后调用pickle库的load方法加载保存的模型对象，代码如下：

import pickle
with open('tfidf.model', 'rb') as file:
    tfidf_model = pickle.load(file)
    tfidfVectorizer = tfidf_model['tfidfVectorizer']
    labelEncoder = tfidf_model['labelEncoder']
    logistic_model = tfidf_model['logistic_model']

　　　　load模型后，重新加载测试集：

import pandas as pd
train_df = pd.read_csv('sohu_train.txt', sep='\t', header=None)
X = tfidfVectorizer.transform(train_df[1])
y = labelEncoder.transform(train_df[0])

　　　　调用sklearn.linear_model库的LogisticRegression方法实例化逻辑回归模型对象。

　　　　调用sklearn.model_selection库的ShuffleSplit方法实例化交叉验证对象。

　　　　调用sklearn.model_selection库的cross_val_score方法获得交叉验证每一次的得分。

　　　　最后打印每一次的得分以及平均分，代码如下：

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import ShuffleSplit
from sklearn.model_selection import cross_val_score
 
logistic_model = LogisticRegression(multi_class='multinomial', solver='lbfgs')
cv_split = ShuffleSplit(n_splits=5, test_size=0.3)
score_ndarray = cross_val_score(logistic_model, X, y, cv=cv_split)
print(score_ndarray)
print(score_ndarray.mean())

　　

　4）模型评估

　　绘制混淆矩阵：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegressionCV
from sklearn.metrics import confusion_matrix
import pandas as pd
train_X, test_X, train_y, test_y = train_test_split(X, y, test_size=0.2)
logistic_model = LogisticRegressionCV(multi_class='multinomial', solver='lbfgs')
logistic_model.fit(train_X, train_y)
predict_y = logistic_model.predict(test_X)
 
pd.DataFrame(confusion_matrix(test_y, predict_y),columns=labelEncoder.classes_, index=labelEncoder.classes_)

　　绘制precision、recall、f1-score、support报告表：

import numpy as np
from sklearn.metrics import precision_recall_fscore_support
 
def eval_model(y_true, y_pred, labels):
    #计算每个分类的Precision, Recall, f1, support
    p, r, f1, s = precision_recall_fscore_support( y_true, y_pred)
    #计算总体的平均Precision, Recall, f1, support
    tot_p = np.average(p, weights=s)
    tot_r = np.average(r, weights=s)
    tot_f1 = np.average(f1, weights=s)
    tot_s = np.sum(s)
    res1 = pd.DataFrame({
        u'Label': labels,
        u'Precision' : p,
        u'Recall' : r,
        u'F1' : f1,
        u'Support' : s
    })
 
    res2 = pd.DataFrame({
        u'Label' : ['总体'],
        u'Precision' : [tot_p],
        u'Recall': [tot_r],
        u'F1' : [tot_f1],
        u'Support' : [tot_s]
    })
 
    res2.index = [999]
    res = pd.concat( [res1, res2])
    return res[ ['Label', 'Precision', 'Recall', 'F1', 'Support'] ]
 
predict_y = logistic_model.predict(test_X)
eval_model(test_y, predict_y, labelEncoder.classes_)

　　

　5）模型测试

import pandas as pd
 
test_df = pd.read_csv('sohu_test.txt', sep='\t', header=None)
test_X = tfidfVectorizer.transform(test_df[1])
test_y = labelEncoder.transform(test_df[0])
predict_y = logistic_model.predict(test_X)
 
eval_model(test_y, predict_y, labelEncoder.classes_)

　　

　6）总结

　　训练集数据共有24000条，测试集数据共有12000条。经过交叉验证，模型平均得分为0.8711

　　模型评估时，使用LogisticRegressionCV模型，得分提高了3%，为0.9076

　　最后在测试集上的f1-score指标为0.8990，总体来说这个分类模型较优秀，能够投入实际应用

　7）致谢

　　本文参考简书：https://www.jianshu.com/p/96b983784dae

　　感谢作者的详细过程，再次感谢！

　8）流程图