本文共 3550 字,大约阅读时间需要 11 分钟。
基于上一节实现的web界面的样本标注系统做人工标注,然后详细讲解如何对标注好的样本做挖掘和分析,并根据分析结果提取出最优代表性的特征,用于后面的训练
请尊重原创,转载请注明来源网站以及原始链接地址
多类分类问题解法
解法一:通过一系列两类分类问器并将它们组合到一起形成多类分类器
解法二:将多个分类面的参数求解合并到一个最优化问题中
我们利用解法一,通过多个两类分类问题分别计算
人工标注
这部分工作完全是基于个人的判断,逐个文章进行标注,如果判断文章属于纯技术类,则把isTec标记为yes,如果判断为鸡汤文,则把isSoup标记为yes,其他两类也一样
经过我耗时近一小时的纯手工标注,最终每类文章数为:
select sum(isTec), sum(isSoup), sum(isMR), sum(isNews) from CrawlPage;sum(isTec) sum(isSoup) sum(isMR) sum(isNews)31 98 69 240
切词并保存
下面我要把这四个类别的所有文章做切词,为了调试需要,我们把切词之后的中间结果保存在数据库中,以便重复调试不用每次都做切词操作,所以我们在php的CrawlPage实体中增加如下变量:
/** * @var text * @ORM\Column(name="segment", type="text", nullable=true) */private $segment;
执行
php app/console doctrine:schema:update --force
后数据库会多处一列
`segment` longtext COLLATE utf8_unicode_ci,
创建我们的feature_extract.py,内容如下:
# coding:utf-8import sysfrom sklearn.feature_extraction.text import CountVectorizerfrom sklearn.feature_extraction.text import TfidfTransformerimport jiebafrom jieba import analyseimport MySQLdbconn = MySQLdb.connect(host="127.0.0.1",user="myuser",passwd="mypasswd",db="mydatabase",charset="utf8")def get_segment(): cursor = conn.cursor() sql = "select id, content from CrawlPage" cursor.execute(sql) jieba.analyse.set_stop_words("stopwords.txt") for result in cursor.fetchall(): id = result[0] content = result[1] seg_list = jieba.cut(content) line = "" for str in seg_list: line = line + " " + str line = line.replace('\'', ' ') sql = "update CrawlPage set segment='%s' where id=%d" % (line, id) try: cursor.execute(sql) conn.commit() except Exception,e: print line print e sys.exit(-1) conn.close()if __name__ == '__main__': get_segment();
请尊重原创,转载请注明来源网站以及原始链接地址
这里我们对每一篇文章做切词,并且把切词后的结果存储到segment列中
注意:为了避免sql的语法问题,需要把文章里的单引号'\''去掉,这里我替换成了空格,方便切词识别
计算tf-idf
继续编辑feature_extract.py,增加如下内容:
def feature_extract(): cursor = conn.cursor() category={} category[0] = 'isTec' category[1] = 'isSoup' category[2] = 'isMR' category[3] = 'isMath' category[4] = 'isNews' corpus=[] for index in range(0, 5): sql = "select segment from CrawlPage where " + category[index] + "=1" cursor.execute(sql) line = "" for result in cursor.fetchall(): segment = result[0] line = line + " " + segment corpus.append(line) conn.commit() conn.close() vectorizer=CountVectorizer() csr_mat = vectorizer.fit_transform(corpus) transformer=TfidfTransformer() tfidf=transformer.fit_transform(csr_mat) word=vectorizer.get_feature_names() print tfidf.toarray()if __name__ == '__main__': #get_segment(); feature_extract();
执行后输出:
[[ 0. 0. 0. ..., 0. 0. 0. ] [ 0. 0. 0. ..., 0. 0. 0. ] [ 0.00670495 0.00101195 0.00453306 ..., 0. 0. 0. ] [ 0. 0.00164081 0. ..., 0. 0. 0. ] [ 0.01350698 0.0035783 0. ..., 0.0003562 0.0003562 0.00071241]]
特征提取
我们采取分别对每一类看做一个两类分类问题来求解,所以对这5大类别分别做特征提取,提取的方式就是提取每一类中tf-idf最大的n个特征,首先我们先把全部特征输出出来
for index in range(0, 5): f = file("tfidf_%d" % index, "wb+") for i in np.argsort(-tfidf.toarray()[index]): if tfidf.toarray()[index][i] > 0: f.write("%f %s\n" % (tfidf.toarray()[index][i], word[i])) f.close()
这已经按照tf-idf从大到小排序了,所以从生成的5个文件里前n行就能拿到我们需要的n个特征啦
下一节我们将通过提取出来的特征来对测试样本进行测试
转载地址:https://blog.csdn.net/jiangjingxuan/article/details/54729063 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!