今期特马开奖结果资料

当前位置:今晚六彩开奖号码结果 > 今期特马开奖结果资料 > 机器学习算法原理与编程实践,用机器学习怎样

机器学习算法原理与编程实践,用机器学习怎样

来源:http://www.amonstervacation.com 作者:今晚六彩开奖号码结果 时间:2019-08-22 20:25

今后实际上边临的是四个二分类的标题,即剖断多少个网址是不足描述网址依旧好端端的网址。那些主题材料能够总结为 NLP 领域的文书分类难点。而对此文本分类的话的第一步正是语言材质的获得。在首先片段也一度深入分析了,相关语言材料就是网址的 title,deion 以及 keywords。

2.2.6 使用节约财富贝叶斯分类模块

常用的文本分类方法:kNN方今邻算法,朴素贝叶斯算法,接济向量机算法

本节挑选朴素贝叶斯算法举办文本分类,测量检验集随机选用自磨练集的文书档案集结,每一个分类取十三个文书档案

教练步骤和陶冶集一样:分词 (文件test_corpus) 》生成文件词向量文件 》 生成词向量模型。

(区别点:在教练词向量模型时,需加载磨练集词袋,将测量检验集生成的词向量映射到锻练集词袋的词典中,生成向量空间模型。)代码见文件。

#1,导入分词后的词向量Bunch对象
path = "test_word_bag/test_set.dat"   # 词向量空间保存路径
bunch = readbunchobj(path)  # 调用函数读取bunch对象,赋值给bunch

#2,构建测试集TF-IDF向量空间testspace
testspace = Bunch(target_name=bunch.target_name,label bunch.label,filenames=bunch.filenames.tdm=[],vocabulary=[])   

#3, 导入训练集的词袋(多这一步,与训练集不同)
trainbunch = readbunchobj("train_word_bag/tfidfspace.dat")  # tfidfspace.dat文件是训练集使用TF-IDF策略并持久化生成的

#4, 使用TfidfVectorizer初始化向量空间模型
vectorizer=TfidfVectorizer(stop_words=stpwrdlst,sublinear_tf=True,max_df=0.5,vocabulary=trainbunch.vocabulary)
transformer=TfidfTransformer()    # 创建一个该类的实例,该类会统计每个词语的TF-IDF权值
testspace.tdm=vectorizer.fit_transform(bunch.contents)   
testspace.vocabulary=trainbunch.vocabulary

#5, 创建词袋并持久化
space_path = "test_word_bag/testspace.dat"  #词向量空间保存路径
writebunchobj(space_path,testspace)  # 调用写入函数,持久化对象

推行多项式贝叶斯算法实行测量检验文本分类,并重返分类精度,代码见文件

# 执行多项式贝叶斯算法并进行测试文本分类,并返回分类精度

#1,导入多项式贝叶斯算法包
from sklearn.naive_bayes import MultinomialNB #导入多项式贝叶斯算法包

#2,执行预测

trainpath = "train_word_bag/tfidfspace.dat"
train_set = readbunchobj(trainpath)     #导入训练集向量空间

testpath = "test_word_bag/testspace.dat"
test_set = readbunchobj(testpath)        # 导入测试集向量空间

#应用朴素贝叶斯算法
# alpha:0.001   alpha越小,迭代次数越多,精度越高
clf = MultinomialNB(alpha = 0.001).fit(train_set.tdm,train_set.label)

# 预测分类结果
predicted = clf.predict(test_set.tdm)
total = len(predicted);rate = 0
for flabel,file_name,expct_cate in zip(test_set.label,test_set.filenames,predicted):
    if flabel !=expct_cate:
        rate =1
        print file_name,":实际类别:",flabel,"-->预测类别:",expct-cate

print "error rate:",float(rate)*100/float(total),"%"

在获取一定的文书数据之后,必要对这一个原来的多寡实行拍卖,最要害的正是分词。俄文分词比之粤语的分词要简明十分的多,因为日文中词与词之间时有鲜明的距离区分,比如空格和某些标点符号等。粤语的话,由于词语是由局地字组合的,全体要麻烦些,何况还应该有差异景观下的歧义难题。当然 python 提供了诸如 jieba 等强劲的分词模块,特别有助于,但是总体来讲俄文分词还要小心以下几点:

2.2.7 分类结果评估

机械学习世界的算法评估的目的:
(1)召回率(查全率):检索出的有关文书档案数和文书档案库中享有的连带文档数的比率,是度量检索系统的查全率
召回率=系统查找到的有关文件/系统具备有关的文书档案总的数量
(2)正确率(精度):检索出的相干文书档案数与搜索出的文档总数的比值
准确率=系统查找到的相关文件/系统具有检索到的公文化总同盟数
(3)Fp-Measure
Fp=(p2 1)P中华V/(p2P 兰德智跑),P是精确率,奥迪Q3是召回率
p=1时,就是F1-Measure
文件分类项目标归类评估结果评估:代码见文件

import numpy as np
from sklearn import metrics

def metrics_result(actual,predict):
    print '精度:{0:3f}'.format(metrics.precision_score(actual,predict))
    print '召回:{0:0.3f}'.format(metrics.recall_score(actual,predict))
    print 'f1-score:{0:3f}'.format(metrics.f1_score(actual,predict))

metrics_result(test_set.label,predicted)

#输出形式如
#精度:0.991
#召回:0.990
#f1-score:0.990

寻觅引擎改换了好两人的上网格局,从前只要您要上网,恐怕得记住非常多的域名照旧IP。不过未来一经您想拜望有些网址,首先想到的是透过搜寻引擎进行重大字寻觅。比方笔者想拜谒多少个名称叫村中少年的博客,那么一旦在寻找引擎输入村中少年那类关键词就足以了。图1是探究村中少年博客时候的效果图:

本章知识点:中文分词,向量空间模型,TF-IDF方法,文本分类算法和评价目标
采纳的算法:朴素的贝叶斯算法,KNN近来邻算法
python库:jieba分词,Scikit-Learning
本章指标:实现Mini的文本分类种类
本章首要解说文本分类的全部流程和连锁算法

自然在分析最终识别结果的历程中,还开掘苗头很多的桃色语言质感被标志成了符合规律语料。原因在于,寻常语言材质的来源于是 alex 排行靠前的网址。在那一个中是有一部分的不行描述网址的。

2.3 分类算法:朴素贝叶斯

本节根本钻探朴素贝叶斯算法的基本原理和python完毕

非常多少人表示,他们的硬盘里,到现在还保留着当时她们上课时候的录制。有一点点现行反革命网址三月经很难找到了,于是大家又苦恼起初相互交换跟随那一个导师深造实施的心体面会。

2.2.1 文本预管理:

文本管理的骨干职务:将非结构化的公文调换为结构化的款式,即向量空间模型

文本管理从前供给对两样品类的公文举办预处理

假使直接行使 train_test_split 对全数语言材质进行切分,则有望会使得正规语言材质和浅铜锈绿语言材料在训练和策测量检验数据中的比例不均等,为了保证结果的可信赖性,使用 train_test_split 分别对此正规语言质地和色情语言材质依据 7:3 的比重实行切分。然后将每一分切分后的操练和测量试验数据开展联合,使用节约财富贝叶斯模型对于数据进行预测,选取多项式模型,代码如下:

华语语言的文件分类能力和流程:

1)预管理:去除文本的噪新闻息:HTML标签,文本格式转变
2)粤语分词:使用汉语分词器为文本分词,并删除停用词
3)构建词向量空间:总括文本词频,生成文书的词向量空间
4 ) 权重计谋--TF-IDF方法:使用TF-IDF发掘特征词,并抽出为反映文书档案宗旨的特色
5)分类器:使用算法陶冶分类器
6)评价分类结果:分类器的测量试验结果深入分析

哪些获得那些数量,能够因此 alex 排行靠前的网址,利用爬虫实行获取。本文对刘頔规数据的获取,选用 alex 排行前 4500 的网站,通过爬虫,提取网页的 title 和 deion 以及 keywords 作为村生泊长文本。对于色情数据的取得亦然,通过爬虫对已经已经积存的 4500 个的站点进行理文件本采摘。由于那部数据是灵动数据,由此数据集无法向大家精晓,还请见量。

2.3.1 贝叶斯公式推导

勤政贝叶Sven本分类的思辨:它认为词袋中的两两词之间是相互独立的,即四个对象的特征向量中的每一种维度都以互为独立的。
刻苦贝叶斯分类的定义:
(1),设x={a1,a2,^am}为几个待分类项,而各种a为x的三个性子属性
(2),有等级次序会集C={y1,y2,……yn}.
(3),计算P(y1|x),P(y2|x),……,P(yn|x)
(4),如果P(yk|x)=max{P1,P2,……,Pn},则x属于yk

-- 总计第(3)步的各种条件可能率:
(1)找到叁个已知分类的待分类集结,即陶冶集
(2)计算获得在一一项目下的一一特征属性的标准化可能率估量,即:
P(a1|y1),P(a2|y2),……,P(am|y1)
P(a1|y2),P(a2|y2),……,P(am|y2)
……
(3),假诺各个特征属性是基准独立的,根据贝叶斯定理有:
P(yi|x) = P(x|yi)*P(yi)/P(x)
分母对于有所种类为常数,故只需将分子最大化就可以

故,贝叶斯分类的流水生产线为:
第一等第 : 演练多少变动陶冶样本集:TF-IDF
其次等级: 对每一个项目计算P(yi)
其三等第:对种种特征属性总括有所划分的准绳可能率
第四等级:对各种连串计算P(x|yi)P(yi)
第五阶段:以P(x|yi)P(yi)的最大项作为x的所属类别

P(A|B) = P(B|A) P(A) / P(B)

2.3.2 朴素贝叶斯算法达成

样例:使用简易的英语语言材质作为数据集,代码见文件

# 编写导入的数据
def loadDataSet():
    postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
                 ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
                 ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him','my'],
                 ['stop', 'posting', 'stupid', 'worthless', 'garbage'],
                 ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
                 ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
                # 使用简单的英语语料作为数据集,有6个文本

    classVec = [0,1,0,1,0,1]     # 文本对应的类别

    return postingList,classVec  # postingList是训练集文本,classVec是每个文本对应的分类

###########################################################################

# 编写贝叶斯算法(sklearn已有贝叶斯算法包,现在是理解贝叶斯算法原理后,自己编写算法代码)


#(1)编写一个贝叶斯算法类,并创建默认的构造方法

class NBayes(object):     # 创建贝叶斯算法类

    def __init__(self):       #初始化类的属性
        self.vocabulary = []  #词典
        self.idf = 0          #词典的IDF权值向量
        self.tf = 0           #训练集的权值矩阵
        self.tdm = 0          #P(x|yi)
        self.Pcates = {}      #P(yi)是一个类别词典P(yi)的值:{类别1:概率,类别2:概率}
        self.labels = []      #对应每个文本的分类,是一个外部导入的列表
        self.doclength = 0    #训练集文本数
        self.vocablen = 0     #词典词长
        self.testset = 0      #测试集 


#(2)导入和训练数据集,生成算法必需的参数和数据结构

def train_set(self,trainset,classVec):  # 传入训练集文本和对应的分类类别

    self.cate_prob(classVec)    # 计算每个分类在数据集中的概率P(yi),cate_prob函数在下面创建
    self.doclength = len(trainset) # 用len函数计算训练集trainset的文本数,赋给类的doclength属性

    tempset = set()  # 使用set(),初始化一个空的集合:是一个无序不重复元素集
    [tempset.add(word) for doc in trainset for word in doc] #生成词典  ,add是往集合添加元素
    # doc遍历trainset,word遍历doc,再将word添加进tempset集合里
    # 训练集文本trainset实际上是一个矩阵,doc遍历取得向量,即单个文本,word遍历取得文本内的词,再添加进集合
    self.vocabulary = list(tempset) # 将tempset转换为列表list,添加进类的vocabulary属性,即词典
    self.vocablen = len(self.vocabulary) #len函数计算词典的长度(这里的词典实际上是一个不重复的词袋空间)

    self.calc_wordfreq(trainset)  # 计算数据集的词频(word frequency):tf和idf ,调用了calc_wordfred函数,传入训练集trainset
    self.build_tdm()  # 按分类累计向量空间的每维值P(x|yi),调用了build_tdm函数


# (3) cate_prob函数:计算数据集中 每个分类的概率P(yi)

def cate_prob(self,classVec):  # 该函数用于计算每个类别在数据集中的概率,被上面的train_set函数调用
    self.labels = classVec     # classVec是导入的训练集文本对应的类别
    labeltemps = set(self.labels)  # 获取全部分类,set()集合:无序不重复元素集,本例就两类:{0,1}
    for labeltemp in labeltemps:    # 遍历所有分类{0,1}
        self.labels.count(labeltemp)  #统计self.labels里类别的个数:类别0的个数和类别1的个数
        self.Pcates[labeltemp] = float(self.labels.count(labeltemp))/float(len(self.labels))
        # 每种类别个数/类别类别总数:6,在Pcates字典里,创建键值对{'0':概率,'1':概率}


# (4) calc_wordfred函数:生成普通的词频向量  TF-IDF

def calc_wordfred(self,trainset):   # 用于计算词袋(词典)内每个词的词频,被上面的train_set函数调用

    self.idf = np.zeros([1,self.vocablen]) # 全0矩阵,矩阵大小:1x词典长度,self.vocablen是上面计算出的词典长度(词袋长)
    self.tf = np.zeros([self.doclength,self.vocablen]) #构造全0矩阵:训练集文件数x词典数,doclength是上面计算出的训练集文本数:6,vocablen是计算出的词典长度 
    #构造训练集的IDF和TF向量模型,IDF是一行,TF是文档数,行,初始化全为0

    for indx in xrange(self.doclength):  # xrange与range用法相同,结果不同,生成的不是列表,而是生成器,适合数字序列较大时,不用一开始就开辟内存空间
    # indx遍历训练集文本数列表,indx取得的是数
        for word in trainset[indx]: #word 遍历trainset中的每一文本的词,##word取得的是词
            self.tf[indx,self.vocabulary.index(word)]  =1    # 权值矩阵的第index行,第k列,加1
            # 词典列表的index方法,返回word的索引位置k
            #  生成了TF词频矩阵

        for signleword in set(trainset[indx]):  # signleword遍历训练集文本里每一文本构成的集合(取得每一文本不重复的词),
            self.idf[0,self.vocabulary.index(signleword)]  =1  # idf权值矩阵的第k个加1
            #index返回每一文本不重复词的索引位置
            #生成IDF矩阵           
## 实际上本函数生成的是训练集的TF矩阵和词袋的IDF矩阵(绝对数形式,非频率)        


# (5) build_tdm函数:按分类累计计算向量空间的每维值P(x|yi),已知类别为yi,求是x的概率

def build_tdm(self):   #计算P(x|yi),被train_set函数调用

    self.tdm = np.zeros([len(self.Pcates),self.vocablen])  #构造全0矩阵,大小:类别词典长度2(在cate_prob函数里)x 词典长度(train_set函数里)
    sumlist = np.zeros([len(self.Pcates),1])  # 构造全0矩阵:大小:类别词典长度x1
    #统计每个分类的总值,sumlist两行一列

    for indx in xrange(self.doclength):    #indx遍历训练集文本数生成的列表[0,1,2,3,4,5],取得的是数字 

        #将同一类别的词向量空间值tf加总
        #即:tf权值矩阵值,六行,分为两类,同类相加,变为两行
        self.tdm[self.labels[indx]]  = self.tf[indx]   # labels[indx]是训练集文本对应类别里的第indx个(在cate_prob函数里)即[0,1,0,1,0,1]里的第indx个,对应tdm的第某行
        # tf[indx]是tf权值矩阵的第indx行(在calc_wordfred函数里)

        #统计每个分类的总值--是一个标量
        sumlist[self.labels[indx]] = np.sum(self.tdm[self.labels[indx]]) 
        #利用np.sum计算tdm矩阵的和,赋值给sumlist矩阵的?
        # sumlist得到的结果:0:总值
                            #1:总值

    self.tdm = self.tdm/sumlist   # tdm即:P(x|yi)=P(xyi)/P(yi)
    #得到的结果tdm是一个两行,词典长列的矩阵,表示着P(a1|yi),P(a2|yi)……
  #tdm是一个向量,sumlist是一个值


(3)-(5)函数都被train_set函数调用  
#####################################################################################



# (6) map2vocab函数:将测试集映射到当前字典

def map2vocab(self,testdata):  # 传入测试集数据 testdata
    self.testset = np.zeros([1,self.vocablen])  #构造全0矩阵,大小:1*词典长度
    for word in testdata:    # word遍历测试集(某个文本)
        self.testset[0,self.vocabulary.index(word)]  =1 # testset矩阵的第k个加1
        # vocabulary.index(word)返回字典的与word匹配的词的索引位置
# 本函数是将测试集文档转换为以频数表示的[   ]矩阵   


# (7) predict函数:预测分类结果,输出预测的分类类别

def predict(self,testset):    #传入测试集数据

    if np.shape(testset)[1] != self.vocablen: #如果测试集长度与词典长度不相等,则退出程序
        print "输出错误"
        exit(0)

    predvalue = 0  #初始化类别概率
    predclass = ""  # 初始化类别名称

    for tdm_vect,keyclass in zip(self.tdm,self.Pcates): 
       #P(x|yi) P(yi)    #      变量tdm,计算最大分类值
    #zip函数将tdm和Pcates打包成元组,并返回元组组成的列表。
    #tdm是P(x|yi),Pacates是类别词典P(yi)

        temp = np.sum(testset*tdm_vect*self.Pacate[keyclass])  #测试集testset乘tdm_vect乘Pcates[keyclass]  ,并求和
        #测试集向量*P
        if temp > predvalue:  
            predvalue = temp
            predclass = keyclass
    return predclass   # 输出预测的类别(概率最大的类别)

#########################################################################

#算法的改进:为普通的词频向量使用TF-IDF策略

#calc_tfidf函数:以TF-IDF方式生成向量空间

def calc_tfidf(self,trainset):        # 传入训练集数据
    self.idf = np.zeros([1,self.vocablen])   #构造全0矩阵,大小:1*词典长度
    self.tf = np.zeros([self.doclength,self.vocablen])  #构造全0矩阵,大小:文本数*词典长度

    for indx in xrange(self.doclength):   #indx遍历文本数生成的列表,取得的是数字      
        for word in trainset[indx]:        #word遍历训练集的第indx个文本里的词
            self.tf[indx,self.vocabulary.index(word)] =1  #tf矩阵的某个值加1
            #消除不同句长导致的偏差
        self.tf[indx] = self.tf[indx]/float(len(trainset[indx]))  #计算的是频率而不是频数

        for signleword in set(trainset[indx]):
            self.idf[0,self.vocabulary.index(signleword)]  =1
    self.idf = np.log(float(self.doclength)/self.idf)

    self.tf = np.multiply(self.tf,self.idf) # 矩阵与向量的点乘TFxIDF

######################################################################

#执行创建的朴素贝叶斯类,获取执行结果

#coding=utf-8

import sys
import os
from numpy import *
import numpy as np
from NBayes_lib import *

dataSet,listClasses = loadDataSet() 

 # 导入外部数据集,loadDataSet是自己创建的函数,返回值为两个,postingList是训练集文本,classVec是每个文本对应的分类
# dataset为句子的词向量
# listclass为句子所属类别 [0,1,0,1,0,1]

nb = NBayes()  #实例化 NBayes是我们创建的贝叶斯算法类
nb.train_set(dataSet,listClasses) # 训练数据集。train_set是创建的类的函数,用于训练
nb.map2vocab(dataSet[0])   # 随机选择一个测试句 #map2vocab函数将测试集映射到当前词典
print nb.predict(nb.testset)  # 输出分类结果,predict函数用于预测分类结果,输出预测的分类类别

# 最后运行程序,看似没有数据间传递,实则是在类属性中已定义好并赋值给属性

图片 1


主编:

2.2 文本分类项目

五,基于本文所述方法的扩大应用

2.2.5 权重计策:TF-IDF方法

1,词向量空间模型:将文件中的词转变为数字,整个文本集转变为维度相等的词向量矩阵(老妪能解,抽取出不另行的种种词,以词现身的次数表示文本)
2,归一化:指以可能率的款型表示,举个例子:0,1/5,0,0,1/5,2/5,0,0,也称得上:词频TF(仅针对该文书档案自己)
3,词条的文书档案频率IDF: 针对具有文书档案的词频

用作语言质感数据的时候,识别结果最棒,都聚焦在 十分八 左右。

TF-IDF权重战术:总计文本的权重向量

1,TF-IDF的意义:词频逆文书档案频率。倘使有些词在一篇著作中冒出的功能高(词频高),并且在任何文章中相当少现身(文书档案频率低),则以为该词具备很好的花色区分技巧,适合用来分类。IDF其实是对TF起抵消成效。
2,词频TF的概念:某贰个加以的用语在该文件中出现的频率(对词数的归一化)
3,逆文件频率IDF:某一特定词语的IDF,由总文件数除以含有该词语的文本的多寡,再将商取对数
4,TF-IDF的计算:TF与IDF的乘积
5,将分词后的持久化语言质地库文件dat利用TF-IDF攻略转向,并持久化的代码见文件

#coding=utf-8

import sys
import os 
from sklearn.datasets.base import Bunch  # 导入Bunch类
import cPickle as pickle  #导入持久化类

from sklearn import feature_extraction
from sklearn.feature_extraction.text import TfidfTransformer   # TF-IDF向量转换类
from sklearn.feature_extraction.text import TfidfVectorizer   # TF-IDF向量生成类


reload(sys)
sys.setdefaultencoding('utf-8')  #UTF-8输出环境

# 读取和写入Bunch对象的函数

def readbunchobj(path):   # 读取bunch对象函数
    file_obj = open(path,"rb")
    bunch = pickle.load(file_obj)  # 使用pickle.load反序列化对象
    file_obj.cloase()
    return bunch

def writebunchobj(path,bunchobj):   # 写入bunch对象函数
    file_obj = open(path,"wb")
    pickle.dump(bunchobj,file_obj)   # 持久化对象
    file_obj.close()

###################################从训练集生成TF-IDF向量词袋

# 1,导入分词后的词向量Bunch对象
path = "train_word_bag/train_set.dat"  # 词向量空间保存路径(就是分词后持久化的文件路径)
bunch = readbunchobj(path)   # 调用函数读取bunch对象,赋值给bunch

# 2,构想TF-IDF词向量空间对象,也是一个Bunch对象
tfidfspace = Bunch(target_name=bunch.target_name,label=bunch.label,filenames=bunch.filenames,tdm=[],vocabulary=[])     # 构建Bunch对象,将bunch的部分值赋给他

# 3,使用TfidfVectorizer初始化向量空间模型
vectorizer = TfidfVectorizer(stop_words=stpwrdlist,sublinear_tf=True,max_df=0.5)
transformer=TfidfTransformer()   # 创建一个该类的实例,该类会统计每个词语的TF-IDF权值
# 文本转化为词频矩阵,单独保存字典文件
tfidfspace.tdm = vectorilzer.fit_transform(bunch.contents)  # 将bunch.content的内容……赋给模型的tdm值
tfidfspace.vocabulary = vectorizer.vocabulary   # ????????????????

# 4,持久化TF-IDF向量词袋
space_path = "train_word_bag/tfidfspace.dat"   # 词向量词袋保存路径
writebunchobj(space_path,tfidfspace)  # 调用写入函数,持久化对象

本来即便正规和不得描述网址都是4500 ,可是作者只领到了立陶宛共和国(Republic of Lithuania)语网址的新闻,对于像阿拉伯语等网址都进行了清除,实际上有效的匈牙利(Hungary)语不可描述网址语言材质为 3500 ,有效的德文正常网址为 2300 。

2.2.2 普通话分词介绍

1,普通话分词:将壹其中中原人民共和国字种类(句子)切分成一个单身的词(中文自然语言管理的中坚难题)
2,中文分词的算法:基于可能率图模型的准则随飞机场(CENVISIONF)
3,分词后文本的结构化表示:词向量空间模型,核心模型,依存句法的树表示,景逸SUVDF的图表示
4,本项目的分词系统:选用jieba分词
5, jieba分词支持的分词格局:私下认可切分,全切分,搜索引擎切分
6,jieba分词的代码见文件:对未分词语言质地库进行分词并长久化对象到二个dat文件(创造分词后的语言材质文件:train_corpus_seg)

#coding=utf-8

import sys
import os
import jieba

reload(sys)
sys.setdefaultencoding('utf-8')    # 配置UTF-8输出环境

#定义两个函数,用于读取和保存文件

def savefile(savpath,content):   # 定义一个用于保存文件的函数
    fp = open(savepath,"wb")
    fp.write(content)
    fp.close()

def readfile(path):    # 定义一个用于读取文件的函数
    fp = open(path,"rb")
    content = fp.read()
    fp.close()
    return content    #函数返回读取的内容


# 以下是整个语料库的分词主程序

corpus_path = "train_corpus_small/"   # 未分词分类语料库路径
seg_path = "train_corpus_seg/"  # 分词后分类语料库路径

catelist = os.listdir(corpus_path) #os.listdir获取cor_path下的所有子目录

for mydir in catelist:       # 遍历所有子目录
    class_path = corpus_path mydir "/"  #构造分类子目录的路径
    seg_dir = seg_path mydir "/"  #构造分词后的语料分类目录

    if not os.path.exists(seg_dir):  # 是否存在目录,如果没有则创建
        os.makedirs(seg_dir)

    file_list = os.listdir(class_path)  # 获取目录下的所有文件

    for file_path in file_list:      # 遍历目录下的所有文件
        fullname = class_path file_path    #文件路径
        content = readfile(full.name).strip()   # 读取文件,strip()用于移除字符串头尾指定的字符,即移除头尾的空格
        content = content.replace("rn","").strip()  # 将空格和换行替代为无
        content_seg = jieba.cut(content)    # 利用jieba分词

        savefile(seg_dir file_path," ".join(content_seg))   # 调用函数保存文件,保存路径为:seg_dir file_path,用空格将分词后的词连接起来

print "中文语料分词结束"


#############################################################################

# 为了便于后续的向量空间模型的生成,分词后的文本还要转换为文本向量信息并对象化
# 引入Scikit-Learn的Bunch类

from sklearn.datasets.base import Bunch
bunch = Bunch{target_name=[],label=[],filename=[],contents=[]}

# Bunch类提供键值对的对象形式
#target_name:所有分类集名称列表
#label:每个文件的分类标签列表
#filename:文件路径
#contents:分词后的文件词向量形式

wordbag_path = "train_word_bad/train_set.dat"  #分词语料Bunch对象持久化文件路径
seg_path = "train_corpus_seg/"   #分词后分类语料库路径(同上)

catelist = os.listdir(seg_path)  # 获取分词后语料库的所有子目录(子目录名是类别名)
bunch.target_name.extend(catelist)   # 将所有类别信息保存到Bunch对象

for mydir in catelist:     # 遍历所有子目录
    class_path = seg_path mydir "/" # 构造子目录路径
    file_list = os.listdir(class_path)    # 获取子目录内的所有文件
    for file_path in file_list:     # 遍历目录内所有文件
        fullname = class_path file_path    # 构造文件路径
        bunch.label.append(mydir)      # 保存当前文件的分类标签(mydir为子目录即类别名)
        bunch.filenames.append(fullname)  # 保存当前文件的文件路径(full_name为文件路径)
        bunch.contents.append(readfile(fullname).strip())  # 保存文件词向量(调用readfile函数读取文件内容)

file_obj = open(wordbad_path,"wb")  # 打开前面构造的持久化文件的路径,准备写入
pickle.dump(bunch,file_obj)   # pickle模块持久化信息,bunch是要持久化的文件,已添加了信息。file_obj是路径
file_obj.close()
# 之所以要持久化,类似游戏中途存档,分词后,划分一个阶段,将分词好的文件存档,后面再运行就不用重复分词了

print "构建文本对象结束!!"      

# 持久化后生成一个train_set.dat文件,保存着所有训练集文件的所有分类信息
# 保存着每个文件的文件名,文件所属分类和词向量

理当如此还足以采用决策树以及 SVM 等模型来做分类预测,但是其实的测验效果并未稳重贝叶斯好,以 deion 作为输入为例,决策树的识别率为 85% 左右。

文本预管理的步调:

1,选拔管理的公文的限定:整个文书档案或内部段落
2,建设构造分类文本语言材质库:
教练集语料:已经分好类的文书能源。(文件名:train_corpus_small)
测量试验集语言材质:待分类的文书语言材质(本项目标测量检验语言材料随机选自演习语言材质)(文件名:test_corpus)
3,文本格式转变:统一更改为纯文本格式。(注意难点:乱码)
4,检验句子边界:标识句子截至

由上述分析能够明白 title、deion 和 keywords 等部分入眼的网页音信对于不可描述网站以来都以经过专心设计的,和网页所要表述内容的相称度极度之高。特别比相当多网址在国外某个国家是官方的,由此对于经营那一个网站的人手来说,优化那几个新闻一定是一定。小编早就看过一份数据呈今后某段时间某搜索引擎前十名中,绝大多数的色情相关的。由此大家得以将其当作重视的语言材料消息。

2.2.3 Scikit-Learn库简介

本文首发于GitChat,未经授权不得转发,转发需与GitChat联系。回去天涯论坛,查看更加的多

2.4 分类算法:KNN

KNN算法:总计向量间的离开衡量相似度来扩充文本分类

矩阵每一行的值,便是由此上述情势切词之后,词库中每多个词在该 title 下边世的频率,当然对于没有在该 title 出现的词(存在于其余 title 中)计为 0 就能够。

2.4.2 kNN算法的python实现
#coding=utf-8

#第一阶段,导入所需要的库,进行数据的初始化

import sys
import os
from numpy import *
import numpy as *
import operator
from Nbayes_lib import *

# 配置utf-8输出环境

reload(sys)
sys.setdefaultencoding('utf-8')

k=3

#第二阶段:实现夹角余弦的距离公式

def cosdist(vector1,vector2):
    return dot(vector1,vector2)/(linalg.norm(vector1)*linalg.norm(vector2)) # 夹角余弦公式;AB/|A||B|   

#第三阶段:KNN实现分类器

#KNN分类器

#测试集:testdata;训练集:trainSet;类别标签;listClasses; k:k个邻居数

def classify(testdata,trainSet,listClasses,k):
    dataSetSize=trainSet.shape[0]     #返回样本的行数,(shape返回行数和列数)
    distances=array(zeros(dataSetSize))  #构造一个全0数组,大小为;

    for indx in xrange(dataSetSize):   #计算测试集与训练集之间的距离:夹角余弦
        distances[indx]=cosdist(testdata,trainSet[indx])
        sortedDisIndicies=argsort(-distances)
        classCount={}
        for i in range(k):#获取角度最小的前k项作为参考项
            #按排序顺序返回样本集对应的类别标签
            voteIlabel=listClasses[sortedDistIndices[i]]
            #为字典classCount赋值,相同key,其value加1
            classCount[voteIlabel]=classCount.get(voteIlabel,0)  1

        #对分类字典classCount按value重新排序
        #sorted(data.iteritems(),key=operator.itemgetter[1],reverse=True)
        #classCount.iteritems();字典迭代器函数
        #key ;排序参数;operator.itemgetter(1):多级排序
        sortedClassCount=sorted(classCount.iteritem(),key=operator.itemgetter(1),reverse=True)
        return sortedClassCount[0][0]   #返回排序最高的一项

# 最后使用KNN算法实现文本分类

dataSet,listClasses=loadDataSet()
nb.NBayes()
nb.train_set(dataSet,listClasses)  #使用之前贝叶斯分类阶段的数据集及生成的TF向量进行分类

print classify(nb.tf[3],nb.tf,listClasses,k)

本文由今晚六彩开奖号码结果发布于今期特马开奖结果资料,转载请注明出处:机器学习算法原理与编程实践,用机器学习怎样

关键词: