科赛——【文本情感分类模型搭建 | 练习赛】(咸鱼的划水之路~Score:0.813)

本文主要是介绍科赛——【文本情感分类模型搭建 | 练习赛】(咸鱼的划水之路~Score:0.813),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

数据分析

先来观察下数据,训练集和测试集分别存储在当前目录下的train.csv和test.csv中

train_data = pd.read_csv('train.csv', lineterminator='\n')
test_data = pd.read_csv('test.csv', lineterminator='\n')
train_data.head(10)

输出:

数据处理

乍一看这个评论是什么鬼……咸鱼不懂,就只能直接使用jieba对其进行分词。

当然了,一些明显无意义的词我们还是应该对其进行删除,如数字、标点符号等等(具体哪些我是在后面统计词频时发现的)。

还有,注意到review字段的内容首字母都是大写的,中间也可能出现首字母大写的词语,所以构造词袋时,要将这些单词统一转换成小写,以免重复计算,像我这样的咸鱼,就干脆直接都统一转换成小写存入set进行去重。

#构建词袋
def getBagsOfWord(data):#使用python内置对象set,通过其或、差运算进行添加、删除词汇vocabSet = set()for rec in data['review']:#对每一条review进行jieba分词,并且统一小写化存入,空串返回NonevocabSet |= set(list(map(lambda x:x.strip().lower() if len(x.strip().lower()) > 0 else None, jieba.cut(rec))))#删除空串vocabSet.remove(None)#删除指定的字符集vocabSet -= set(rmSignal)#删除数字vocabSet = filter(lambda x:not x.isdigit(), vocabSet)return vocabSet#要删除的字符集
rmSignal = ['.', '?', '!', ':', '-', '+', '/', '"', ',']    #构建训练集的词袋
vocabList = list(getBagsOfWord(train_data))#list(getBagsOfWord(train_data) | getBagsOfWord(test_data))#输出词袋长度,以及前10个词汇
print(len(vocabList), vocabList[:10])

输出:

这里只统计了训练集的词袋,共有17582个,从词袋的部分内容我们可以看到,表情也被保留做词袋的内容了(咸鱼不懂怎么删除QAQ)。

然后我们再统计下词频,类似“的”,“地”,“得”等这些没有情感影响但经常使用的词,可以很容易的得出,当然,一些符号也会被统计出来。

#根据词袋计算词频
def getCountWords(data, vocabList):cntWords = [0] * len(vocabList)for rec in data['review']:sentence = list(map(lambda x:x.strip().lower() if len(x.strip().lower()) > 0 else None, jieba.cut(rec)))for wd in sentence:if wd in vocabList:cntWords[vocabList.index(wd)] += 1cntWords = [(cntWords[i], vocabList[i]) for i in range(len(vocabList))]return cntWordscntWords = getCountWords(train_data, vocabList)#将词频列表按词频大小排序
cntWords = sorted(cntWords, key=lambda x:x[0])

当然,这里可以使用TF-IDF计算出最重要的词汇(效果可能会好很多,而且更加简单粗暴!)

同时sklearn中,也封装好了一个可以获取关键词的接口CountVectorizer,具体用法这里不再介绍。

from sklearn.feature_extraction.text import CountVectorizer

使用matplotlib进行可视化分析,这里使用的条形统计图。

注意matplotlib可能会中文乱码,需要设置下字体参数。

#绘制出现次数最高的前topK个词语
def plotTopFrequeceWord(cntWords, topK=10):cntWords = sorted(cntWords, key=lambda x:x[0])[-topK:]print(cntWords)plt.bar(list(range(topK)), [x[0] for x in cntWords], align = 'center',color='steelblue', alpha = 0.8)plt.ylabel('词频')plt.xlabel('词语')plt.title('出现最多的前%s个词'%(topK))plt.xticks(list(range(topK)), [x[1] for x in cntWords])# 为每个条形图添加数值标签for x,y in enumerate(cntWords):plt.text(x, y[0], '%s' %(y[0]), ha='center')# 中文乱码的处理
plt.rcParams['font.sans-serif'] =['SimHei']
plt.rcParams['axes.unicode_minus'] = FalseplotTopFrequeceWord(cntWords, 20)

输出:

既然有了词汇表,那么接下来我们所要处理的评论,就都应该转换成其对应的词向量,便于后面的计算。

#将语句转换成指定词汇表的词向量
def word2Vec(vocabList, ip):recVec = [0] * len(vocabList)ip = jieba.cut(ip)for word in ip:word = word.strip().lower()#不在词汇表的不处理if word not in vocabList:continue#前期进行测试,所有输出了不在词汇表的单词if word in vocabList:recVec[vocabList.index(word)] = 1else:print("{0} is not in vocabList!".format(word))return recVec

然后将从csv文件读取到的数据,通过word2Vec函数,将每条评论转换成对应的词向量,最终转换成矩阵,以便于运算。

#将dataFrame数据变成矩阵
def makeDataMat(data, vocabList):data_mat = []for rec, label in zip(data['review'], data['label']):data_mat.append(word2Vec(vocabList, rec) + [label])return np.mat(data_mat, dtype=np.double)#训练集
train_mat = makeDataMat(train_data, vocabList)#测试集
test_mat = makeDataMat(test_data, vocabList)#观察矩阵参数
print(train_mat.shape, test_mat.shape)#观察矩阵稀疏情况
print("sparsity of train_mat is {0}%\n".format(100. - np.sum(train_mat[:100, :] / train_mat.shape[1])))
print("sparsity of train_mat is {0}%\n".format(100. - np.sum(test_mat[:10, :] / test_mat.shape[1])))

输出:

构建模型

朴素贝叶斯是可以作为一个简单又好用的垃圾分类器,算法思想挺简单的,这里不再介绍原理,大家可以去百度搜搜。

#训练二分类朴素贝叶斯,返回3个参数
#p0Vect表示在类别0中,各个词汇出现的概率向量
#p1Vect表示在类别1中,各个词汇出现的概率向量
#pAbusive表示训练集中,类别1的概率#trainMatrix表示训练集的词汇矩阵
#trainCategory表示各个样本的类别
def trainNB0(trainMatrix, trainCategory):numTrainDocs = len(trainMatrix)numWords = trainMatrix.shape[1]#二分类问题,可直接对类别向量进行求和,即类别1的个数pAbusive = sum(trainCategory) / numTrainDocsp0Num = np.ones(numWords).reshape(1, -1)p1Num = np.ones(numWords).reshape(1, -1)#为避免计算概率时,分母为0,p0Denom = 2.p1Denom = 2.for i in range(numTrainDocs):if trainCategory[i] == 1:p1Num += trainMatrix[i]p1Denom += sum(trainMatrix[i])else:p0Num += trainMatrix[i]p0Denom += sum(trainMatrix[i])#将频率转换成概率p1Vect = p1Num / p1Denomp0Vect = p0Num / p0Denomreturn p0Vect, p1Vect, pAbusivep0Vect, p1Vect, pAbusive = trainNB0(train_mat[:, :-1], train_mat[:, -1])

数据预测

这里因为在把词向量中每个元素相乘时,可能会导致结果很小,所以这里可以对最终的概率表达式进行求对数,这样就可以化乘为加。

但同样的,最后我们需要的是一个概率,所以我计算出数据为类别1的概率以及0的概率后,计算类别1的概率所占的比值,作为最终结果。

#预测数据
#vec2Classify表示待预测的数据
#p0Vec, p1Vec, pClass1分别对应着之前朴素贝叶斯模型的参数def predictNB(vec2Classify, p0Vec, p1Vec, pClass1):p1 = np.sum(vec2Classify * p1Vec) + np.log(pClass1)p0 = np.sum(vec2Classify * p0Vec) + np.log(1-pClass1)#因为概率是小于1的,取对数后,结果小于0,所以为正类的概率要用1减去类别1的占比return p1 / (p1 + p0) if p1 > 0 else 1-p1 / (p1 + p0)

至此,所以技术问题已经解决,提交后score为0.81415231,咸鱼水平有限,大佬们勿喷。

看到一些大佬的高分策略,都是使用了一些框架,咳咳,我还是抓紧时间补补吧QAQ。

数据集和代码可以访问咸鱼的Github

 

 

这篇关于科赛——【文本情感分类模型搭建 | 练习赛】(咸鱼的划水之路~Score:0.813)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/382749

相关文章

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

MySQL双主搭建+keepalived高可用的实现

《MySQL双主搭建+keepalived高可用的实现》本文主要介绍了MySQL双主搭建+keepalived高可用的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,... 目录一、测试环境准备二、主从搭建1.创建复制用户2.创建复制关系3.开启复制,确认复制是否成功4.同

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

使用Python实现文本转语音(TTS)并播放音频

《使用Python实现文本转语音(TTS)并播放音频》在开发涉及语音交互或需要语音提示的应用时,文本转语音(TTS)技术是一个非常实用的工具,下面我们来看看如何使用gTTS和playsound库将文本... 目录什么是 gTTS 和 playsound安装依赖库实现步骤 1. 导入库2. 定义文本和语言 3

Python实现常用文本内容提取

《Python实现常用文本内容提取》在日常工作和学习中,我们经常需要从PDF、Word文档中提取文本,本文将介绍如何使用Python编写一个文本内容提取工具,有需要的小伙伴可以参考下... 目录一、引言二、文本内容提取的原理三、文本内容提取的设计四、文本内容提取的实现五、完整代码示例一、引言在日常工作和学

Java实现将Markdown转换为纯文本

《Java实现将Markdown转换为纯文本》这篇文章主要为大家详细介绍了两种在Java中实现Markdown转纯文本的主流方法,文中的示例代码讲解详细,大家可以根据需求选择适合的方案... 目录方法一:使用正则表达式(轻量级方案)方法二:使用 Flexmark-Java 库(专业方案)1. 添加依赖(Ma

使用DeepSeek搭建个人知识库(在笔记本电脑上)

《使用DeepSeek搭建个人知识库(在笔记本电脑上)》本文介绍了如何在笔记本电脑上使用DeepSeek和开源工具搭建个人知识库,通过安装DeepSeek和RAGFlow,并使用CherryStudi... 目录部署环境软件清单安装DeepSeek安装Cherry Studio安装RAGFlow设置知识库总

Linux搭建Mysql主从同步的教程

《Linux搭建Mysql主从同步的教程》:本文主要介绍Linux搭建Mysql主从同步的教程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录linux搭建mysql主从同步1.启动mysql服务2.修改Mysql主库配置文件/etc/my.cnf3.重启主库my

国内环境搭建私有知识问答库踩坑记录(ollama+deepseek+ragflow)

《国内环境搭建私有知识问答库踩坑记录(ollama+deepseek+ragflow)》本文给大家利用deepseek模型搭建私有知识问答库的详细步骤和遇到的问题及解决办法,感兴趣的朋友一起看看吧... 目录1. 第1步大家在安装完ollama后,需要到系统环境变量中添加两个变量2. 第3步 “在cmd中