TF-IDF 概念
- 是一种统计方法,用以评估一个词对于一个语料库中一份文件的重要程度。
- 词的重要性随着在文件中出现的次数正比增加,同时随着它在语料库其他文件中出现的频率反比下降。就是说一个词在某一个文档中出现次数比较多,其他文档没有出现,说明该词对该份文档分类很重要。然而如果其他文档也出现比较多,说明该词区分性不大,就用IDF来降低该词的权重。
TF-IDF “词频-逆文本频率指数”
TF-IDF(Term Frequency - Inverse Document Frequency)
词频:TF = 词在文档中出现的次数 / 文档中总词数
逆文档频率:IDF = log[ (语料库中的文档总数 / (包含词条w的文档数 + 1) ],分母加1,是为了避免分母为0
TF-IDF = TF(词频) * IDF(逆文档频率)
TF:词频,文本中各个词的出现频率统计,并作为文本特征,这个很好理解。big:tf = 30 / 240
IDF:逆文本频率,其他文本里面都没有出现big,idf = log(101 / 2)。->∞
其他99篇文本里都出现big,log(100 / 101)。->0
概括来讲,IDF反应了一个词在所有文本中出现的频率,如果一个词在很多的文本中出现,那么它的IDF值应该低。而反过来如果一个词在比较少的文本中出现,那么它的IDF值应该高,比如一些专业的名词如”Machine Learning“,这样的词IDF值应该高。一个极端的情况,如果一个词在所有的文本中都出现,那么它的IDF值应该为0。
1.读取
2.数据预处理
3.数据划分—训练集和测试集数据划分
from sklearn.model_selection import train_test_split
x_train,x_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=0, stratify=y_train)
4.文本特征提取
sklearn.feature_extraction.text.CountVectorizer
sklearn.feature_extraction.text.TfidfVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer
tfidf2 = TfidfVectorizer()
观察邮件与向量的关系
向量还原为邮件
4.模型选择
from sklearn.naive_bayes import GaussianNB
from sklearn.naive_bayes import MultinomialNB
说明为什么选择这个模型?
模型需要根据数据集中特征的特点来进行选取,垃圾邮件分类重点在于文档中单词出现的频率以及文档的重要性,数据并不符合正态分布的特征,并且垃圾邮件判定过程是一个随机事件,单词在邮件中出现的次数并不是固定的,因此不能选择高斯型分布模型,此处选择多项式分布模型。
5.模型评价:混淆矩阵,分类报告
from sklearn.metrics import confusion_matrix
confusion_matrix = confusion_matrix(y_test, y_predict)
说明混淆矩阵的含义
from sklearn.metrics import classification_report
说明准确率、精确率、召回率、F值分别代表的意义
混淆矩阵(confusion-matrix):
TP(True Positive):真实为0,预测也为0
FN(False Negative):真实为0,预测为1
FP(False Positive):真实为1,预测为0
TN(True Negative):真实为1,预测也为1
准确率:代表分类器对整个样本判断正确的比重。
精确率:指被分类器判断正例中的正样本的比重。
召回率:指被预测为正例的占总的正例的比重。
F值:精确率和召回率的调和平均数,最大为1,最小为0。
6.比较与总结
如果用CountVectorizer进行文本特征生成,与TfidfVectorizer相比,效果如何?
CountVectorizer:只考虑词汇在文本中出现的频率。
TfidfVectorizer:除了考量某词汇在本文本中出现的频率,还关注包含这个词的其他文本的数量,能够削减高频没有意义的词汇出现带来的影响,挖掘更有意义的特征。
两者结合来看,用CountVectorizer虽在总样本中表现看似优秀,但其实际对样本个体预测的误差要高于使用TfidfVectorizer。因为TfidfVectorizer能够过滤掉一些常见的却无关紧要本的词语,同时保留影响整个文本的重要字词,更适用于垃圾邮件分类。
实现代码:
1 from nltk.corpus import stopwords 2 from nltk.stem import WordNetLemmatizer 3 from sklearn.model_selection import train_test_split 4 from sklearn.feature_extraction.text import TfidfVectorizer 5 from sklearn.naive_bayes import MultinomialNB 6 from sklearn.metrics import confusion_matrix, classification_report 7 import nltk 8 import csv 9 import numpy as np 10 11 # 根据词性,生成还原参数pos 12 def get_wordnet_pos(treebank_tag): 13 if treebank_tag.startswith(‘J‘): # 形容词 14 return nltk.corpus.wordnet.ADJ 15 elif treebank_tag.startswith(‘V‘): # 动词 16 return nltk.corpus.wordnet.VERB 17 elif treebank_tag.startswith(‘N‘): # 名词 18 return nltk.corpus.wordnet.NOUN 19 elif treebank_tag.startswith(‘R‘): # 副词 20 return nltk.corpus.wordnet.ADV 21 else: 22 return nltk.corpus.wordnet.NOUN 23 24 # 预处理 25 def preprocessing(text): 26 tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] # 分词 27 stops = stopwords.words(‘english‘) # 使用英文的停用词表 28 tokens = [token for token in tokens if token not in stops] # 去除停用词 29 tokens = [token.lower() for token in tokens if len(token) >= 3] # 大小写,短词 30 lmtzr = WordNetLemmatizer() 31 tag = nltk.pos_tag(tokens) # 词性 32 tokens = [lmtzr.lemmatize(token, pos=get_wordnet_pos(tag[i][1])) for i, token in enumerate(tokens)] # 词性还原 33 preprocessed_text = ‘ ‘.join(tokens) 34 return preprocessed_text 35 36 # 读取数据集 37 def read_dataset(): 38 file_path = r‘E:\机器学习\SMSSpamCollection‘ 39 sms = open(file_path, encoding=‘utf-8‘) 40 sms_data = [] 41 sms_label = [] 42 csv_reader = csv.reader(sms, delimiter=‘\t‘) 43 for line in csv_reader: 44 sms_label.append(line[0]) # 提取出标签 45 sms_data.append(preprocessing(line[1])) # 提取出特征 46 sms.close() 47 return sms_data, sms_label 48 49 # 划分数据集 50 def split_dataset(data, label): 51 x_train, x_test, y_train, y_test = train_test_split(data, label, test_size=0.2, random_state=0, stratify=label) 52 return x_train, x_test, y_train, y_test 53 54 # 把原始文本转化为tf-idf的特征矩阵 55 def tfidf_dataset(x_train,x_test): 56 tfidf = TfidfVectorizer() 57 X_train = tfidf.fit_transform(x_train) # X_train用fit_transform生成词汇表 58 X_test = tfidf.transform(x_test) # X_test要与X_train词汇表相同,因此在X_train进行fit_transform基础上进行transform操作 59 return X_train, X_test, tfidf 60 61 # 向量还原成邮件 62 def revert_mail(x_train, X_train, model): 63 s = X_train.toarray()[0] 64 print("第一封邮件向量表示为:", s) 65 # 该函数输入一个矩阵,返回扁平化后矩阵中非零元素的位置(index) 66 a = np.flatnonzero(X_train.toarray()[0]) # 非零元素的位置(index) 67 print("非零元素的位置:", a) 68 print("向量的非零元素的值:", s[a]) 69 b = model.vocabulary_ # 词汇表 70 key_list = [] 71 for key, value in b.items(): 72 if value in a: 73 key_list.append(key) # key非0元素对应的单词 74 print("向量非零元素对应的单词:", key_list) 75 print("向量化之前的邮件:", x_train[0]) 76 77 # 模型选择(根据数据特点选择多项式分布) 78 def mnb_model(x_train, x_test, y_train, y_test): 79 mnb = MultinomialNB() 80 mnb.fit(x_train, y_train) 81 ypre_mnb = mnb.predict(x_test) 82 print("总数:", len(y_test)) 83 print("预测正确数:", (ypre_mnb == y_test).sum()) 84 return ypre_mnb 85 86 # 模型评价:混淆矩阵,分类报告 87 def class_report(ypre_mnb, y_test): 88 conf_matrix = confusion_matrix(y_test, ypre_mnb) 89 print("=====================================================") 90 print("混淆矩阵:\n", conf_matrix) 91 c = classification_report(y_test, ypre_mnb) 92 print("=====================================================") 93 print("分类报告:\n", c) 94 print("模型准确率:", (conf_matrix[0][0] + conf_matrix[1][1]) / np.sum(conf_matrix)) 95 96 if __name__ == ‘__main__‘: 97 sms_data, sms_label = read_dataset() # 读取数据集 98 x_train, x_test, y_train, y_test = split_dataset(sms_data, sms_label) # 划分数据集 99 X_train, X_test,tfidf = tfidf_dataset(x_train, x_test) # 把原始文本转化为tf-idf的特征矩阵 100 revert_mail(x_train, X_train, tfidf) # 向量还原成邮件 101 y_mnb = mnb_model(X_train, X_test, y_train,y_test) # 模型选择 102 class_report(y_mnb, y_test) # 模型评价
运行结果: