作者：李露，西北工業大學，Datawhale優秀學習者

據不完全統計，網民們平均每人每周收到的垃圾郵件高達10封左右。垃圾郵件浪費網絡資源的同時，還消耗了我們大量的時間。大家對此深惡痛絕，于是識別垃圾郵件并對其進行過濾成為各郵件服務商的重要工作之一。

垃圾郵件識別問題本質上是一個文本分類問題，給定文檔p（可能含有標題t），將文檔分類為n個類別中的一個或多個。文本分類一般有兩種處理思路：基于機器學習的方法和基于深度學習的方法。

本文主要基于機器學習的方法，介紹了特征提取+分類模型在文本分類中的應用。具體目錄如下：

一、數據及背景

https://tianchi.aliyun.com/competition/entrance/531810/information（阿里天池-零基礎入門NLP賽事）

二、文本表示方法

在機器學習算法的訓練過程中，假設給定個樣本，每個樣本有個特征，這樣就組成了的樣本矩陣。在計算機視覺中可以把圖片的像素看作特征，每張圖片都可以視為的特征圖，然后用一個三維矩陣帶入計算。

但是在自然語言領域，上述方法卻不可行，因為文本的長度是不固定的。文本分類的第一步就是將不定長的文本轉換到定長的空間內，即詞嵌入。

2.1 One-hot

One-hot方法將每一個單詞使用一個離散的向量表示，將每個字/詞編碼成一個索引，然后根據索引進行賦值。One-hot表示法的一個例子如下：

句子1：我 愛 北 京 天 安 門 句子2：我 喜 歡 上 海

首先對句子中的所有字進行索引

{'我': 1, '愛': 2, '北': 3, '京': 4, '天': 5, '安': 6, '門': 7, '喜': 8, '歡': 9, '上': 10, '海': 11}

一共11個字，因此每個字可以轉換為一個11維的稀疏向量：

我：[1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0] 愛：[0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0] ... 海：[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1]

2.2 Bags of Words

Bags of Words，也稱為Count Vectors，每個文檔的字/詞可以使用其出現次數來進行表示。例如對于：

句子1：我 愛 北 京 天 安 門 句子2：我 喜 歡 上 海

直接統計每個字出現的次數，并進行賦值：

句子1：我 愛 北 京 天 安 門 轉換為 [1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0] 句子2：我 喜 歡 上 海 轉換為 [1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1]

可以利用sklearn的CountVectorizer來實現這一步驟。

from sklearn.feature_extraction.text import CountVectorizercorpus = ['This is the first document.','This document is the second document.','And this is the third one.','Is this the first document?',]vectorizer = CountVectorizer()vectorizer.fit_transform(corpus).toarray()

輸出為：

[[0, 1, 1, 1, 0, 0, 1, 0, 1], [0, 2, 0, 1, 0, 1, 1, 0, 1], [1, 0, 0, 1, 1, 0, 1, 1, 1], [0, 1, 1, 1, 0, 0, 1, 0, 1]]

2.3 N-gram

N-gram與Count Vectors類似，不過加入了相鄰單詞組合為新的單詞，并進行計數。如果N取值為2，則句子1和句子2就變為：

句子1：我愛 愛北 北京 京天 天安 安門 句子2：我喜 喜歡 歡上 上海

2.4 TF-IDF

TF-IDF分數由兩部分組成：第一部分是詞語頻率(Term Frequency)，第二部分是逆文檔頻率(Inverse Document Frequency)

三、基于機器學習的文本分類

接下來我們將研究文本表示對算法精度的影響，對比同一分類算法在不同文本表示下的算法精度，通過本地構建驗證集計算F1得分。

3.1 導入相關的包

import pandas as pdimport numpy as npfrom sklearn.feature_extraction.text import CountVectorizerfrom sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.linear_model import RidgeClassifierimport matplotlib.pyplot as pltfrom sklearn.metrics import f1_score

3.2 讀取數據

train_df = pd.read_csv('./data/train_set.csv', sep='\t', nrows=15000)

3.3 文本分類對比

3.3.1 Count Vectors + RidgeClassifier

vectorizer = CountVectorizer(max_features=3000)train_test = vectorizer.fit_transform(train_df['text']) clf = RidgeClassifier()clf.fit(train_test[:10000], train_df['label'].values[:10000]) val_pred = clf.predict(train_test[10000:])print(f1_score(train_df['label'].values[10000:], val_pred, average='macro'))

輸出為.

3.3.2 TF-IDF + RidgeClassifier

tfidf = TfidfVectorizer(ngram_range=(1,3), max_features=3000)train_test = tfidf.fit_transform(train_df['text']) clf = RidgeClassifier()clf.fit(train_test[:10000], train_df['label'].values[:10000]) val_pred = clf.predict(train_test[10000:])print(f1_score(train_df['label'].values[10000:], val_pred, average='macro'))

輸出為.

四、研究參數對模型的影響

4.1 正則化參數對模型的影響

取大小為5000的樣本，保持其他參數不變，令從0.15增加至1.5，畫出關于和的圖像

sample = train_df[0:5000]n = int(2*len(sample)/3)tfidf = TfidfVectorizer(ngram_range=(2,3), max_features=2500)train_test = tfidf.fit_transform(sample['text'])train_x = train_test[:n]train_y = sample['label'].values[:n]test_x = train_test[n:]test_y = sample['label'].values[n:] f1 = []for i in range(10): clf = RidgeClassifier(alpha = 0.15*(i+1), solver = 'sag') clf.fit(train_x, train_y) val_pred = clf.predict(test_x) f1.append(f1_score(test_y, val_pred, average='macro')) plt.plot([0.15*(i+1) for i in range(10)], f1)plt.xlabel('alpha')plt.ylabel('f1_score')plt.show()

結果如下：

可以看出不宜取的過大，也不宜過小。越小模型的擬合能力越強，泛化能力越弱，越大模型的擬合能力越差，泛化能力越強。

4.2 max_features對模型的影響

分別取max_features的值為1000、2000、3000、4000，研究max_features對模型精度的影響

f1 = []features = [1000,2000,3000,4000]for i in range(4): tfidf = TfidfVectorizer(ngram_range=(2,3), max_features=features[i]) train_test = tfidf.fit_transform(sample['text']) train_x = train_test[:n] train_y = sample['label'].values[:n] test_x = train_test[n:] test_y = sample['label'].values[n:] clf = RidgeClassifier(alpha = 0.1*(i+1), solver = 'sag') clf.fit(train_x, train_y) val_pred = clf.predict(test_x) f1.append(f1_score(test_y, val_pred, average='macro')) plt.plot(features, f1)plt.xlabel('max_features')plt.ylabel('f1_score')plt.show()

結果如下：

可以看出max_features越大模型的精度越高，但是當max_features超過某個數之后，再增加max_features的值對模型精度的影響就不是很顯著了。

4.3 ngram_range對模型的影響

n-gram提取詞語字符數的下邊界和上邊界，考慮到中文的用詞習慣，ngram_range可以在(1,4)之間選取

f1 = []tfidf = TfidfVectorizer(ngram_range=(1,1), max_features=2000)train_test = tfidf.fit_transform(sample['text'])train_x = train_test[:n]train_y = sample['label'].values[:n]test_x = train_test[n:]test_y = sample['label'].values[n:]clf = RidgeClassifier(alpha = 0.1*(i+1), solver = 'sag')clf.fit(train_x, train_y)val_pred = clf.predict(test_x)f1.append(f1_score(test_y, val_pred, average='macro')) tfidf = TfidfVectorizer(ngram_range=(2,2), max_features=2000)train_test = tfidf.fit_transform(sample['text'])train_x = train_test[:n]train_y = sample['label'].values[:n]test_x = train_test[n:]test_y = sample['label'].values[n:]clf = RidgeClassifier(alpha = 0.1*(i+1), solver = 'sag')clf.fit(train_x, train_y)val_pred = clf.predict(test_x)f1.append(f1_score(test_y, val_pred, average='macro')) tfidf = TfidfVectorizer(ngram_range=(3,3), max_features=2000)train_test = tfidf.fit_transform(sample['text'])train_x = train_test[:n]train_y = sample['label'].values[:n]test_x = train_test[n:]test_y = sample['label'].values[n:]clf = RidgeClassifier(alpha = 0.1*(i+1), solver = 'sag')clf.fit(train_x, train_y)val_pred = clf.predict(test_x)f1.append(f1_score(test_y, val_pred, average='macro')) tfidf = TfidfVectorizer(ngram_range=(1,3), max_features=2000)train_test = tfidf.fit_transform(sample['text'])train_x = train_test[:n]train_y = sample['label'].values[:n]test_x = train_test[n:]test_y = sample['label'].values[n:]clf = RidgeClassifier(alpha = 0.1*(i+1), solver = 'sag')clf.fit(train_x, train_y)val_pred = clf.predict(test_x)f1.append(f1_score(test_y, val_pred, average='macro'))

輸出如下

ngram_range取(1,3)的效果較好。

五、考慮其他分類模型

特征提取使用TF-IDF，與第三節中TF-IDF?+ RidgeClassifier的特征提取保持一致，再來看下其他幾種分類算法的效果。

5.1 LogisticRegression

LogisticRegression的目標函數為：

from sklearn import linear_modeltfidf = TfidfVectorizer(ngram_range=(1,3), max_features=5000) train_test = tfidf.fit_transform(train_df['text']) # 詞向量 15000*max_featuresreg = linear_model.LogisticRegression(penalty='l2', C=1.0,solver='liblinear') reg.fit(train_test[:10000], train_df['label'].values[:10000])val_pred = reg.predict(train_test[10000:]) print('預測結果中各類新聞數目') print(pd.Series(val_pred).value_counts()) print('\n F1 score為') print(f1_score(train_df['label'].values[10000:], val_pred, average='macro'))

輸出為0.846470490043.

5.2 SGDClassifier

SGDClassifier使用mini-batch來做梯度下降，在處理大數據的情況下收斂更快

tfidf = TfidfVectorizer(ngram_range=(1,3), max_features=5000)train_test = tfidf.fit_transform(train_df['text']) # 詞向量 15000*max_features reg = linear_model.SGDClassifier(loss="log", penalty='l2', alpha=0.0001,l1_ratio=0.15)reg.fit(train_test[:10000], train_df['label'].values[:10000]) val_pred = reg.predict(train_test[10000:])print('預測結果中各類新聞數目')print(pd.Series(val_pred).value_counts())print('\n F1 score為')print(f1_score(train_df['label'].values[10000:], val_pred, average='macro'))

輸出為0.847267047346

5.3 SVM

from sklearn import svmtfidf = TfidfVectorizer(ngram_range=(1,3), max_features=5000)train_test = tfidf.fit_transform(train_df['text']) # 詞向量 15000*max_features reg = svm.SVC(C=1.0, kernel='linear', degree=3, gamma='auto',decision_function_shape='ovr')reg.fit(train_test[:10000], train_df['label'].values[:10000]) val_pred = reg.predict(train_test[10000:])print('預測結果中各類新聞數目')print(pd.Series(val_pred).value_counts())print('\n F1 score為')print(f1_score(train_df['label'].values[10000:], val_pred, average='macro'))

輸出為0.884240695943.

對比幾種機器學習算法可以看出，在相同的TF-IDF特征提取方法基礎上，用SVM得到的分類效果最好。

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯獲取一折本站知識星球優惠券，復制鏈接直接打開：https://t.zsxq.com/662nyZF本站qq群1003271085。加入微信群請掃碼進群（如果是博士或者準備讀博士請說明）：

總結

以上是生活随笔為你收集整理的【NLP】基于机器学习的文本分类！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。