我目前正在使用朴素贝叶斯算法进行文本分类。
我的最终目标是,如果算法已确定句子属于某个类别,则能够突出显示大文本文档的某些部分。
朴素贝叶斯的结果很好,但我想为这个问题训练一个神经网络,所以我遵循了这个教程: http://machinelearningmastery.com/sequence-classification-lstm-recurrent-neural-networks-python-keras/在 Keras 上构建我的 LSTM 网络。
所有这些概念现在对我来说都很难理解,所以如果你在我的代码中看到一些非常愚蠢的东西,请原谅。
1/训练数据的准备
我有 155 个不同大小的句子被标记到一个标签上。
所有这些标记的句子都在 training.csv 文件中:
8,9,1,2,3,4,5,6,7
16,15,4,6,10,11,12,13,14
17,18
22,19,20,21
24,20,21,23
(每个整数代表一个词)
所有结果都在另一个 label.csv 文件中:
6,7,17,15,16,18,4,27,30,30,29,14,16,20,21 ...
我在 trainings.csv 中有 155 行,当然在 label.csv 中有 155 个整数
我的词典有 1038 个单词。
2/代码
这是我当前的代码:
total_words = 1039
## fix random seed for reproducibility
numpy.random.seed(7)
datafile = open('training.csv', 'r')
datareader = csv.reader(datafile)
data = []
for row in datareader:
data.append(row)
X = data;
Y = numpy.genfromtxt("labels.csv", dtype="int", delimiter=",")
max_sentence_length = 500
X_train = sequence.pad_sequences(X, maxlen=max_sentence_length)
X_test = sequence.pad_sequences(X, maxlen=max_sentence_length)
# create the model
embedding_vecor_length = 32
model = Sequential()
model.add(Embedding(total_words, embedding_vecor_length, input_length=max_sentence_length))
model.add(LSTM(100, dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())
model.fit(X_train, Y, epochs=3, batch_size=64)
# Final evaluation of the model
scores = model.evaluate(X_train, Y, verbose=0)
print("Accuracy: %.2f%%" % (scores[1]*100))
这个模型永远不会收敛:
155/155 [==============================] - 4s - loss: 0.5694 - acc: 0.0000e+00
Epoch 2/3
155/155 [==============================] - 3s - loss: -0.2561 - acc: 0.0000e+00
Epoch 3/3
155/155 [==============================] - 3s - loss: -1.7268 - acc: 0.0000e+00
我想要 24 个标签中的一个作为结果,或者每个标签的概率列表。
我在这里做错了什么?
感谢您的帮助!
最佳答案
由于对我的问题发表了很好的评论,我已经更新了我的代码。
Y_train = numpy.genfromtxt("labels.csv", dtype="int", delimiter=",")
Y_test = numpy.genfromtxt("labels_test.csv", dtype="int", delimiter=",")
Y_train = np_utils.to_categorical(Y_train)
Y_test = np_utils.to_categorical(Y_test)
max_review_length = 50
X_train = sequence.pad_sequences(X_train, maxlen=max_review_length)
X_test = sequence.pad_sequences(X_test, maxlen=max_review_length)
model = Sequential()
model.add(Embedding(top_words, 32, input_length=max_review_length))
model.add(LSTM(10, dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(31, activation="softmax"))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=["accuracy"])
model.fit(X_train, Y_train, epochs=100, batch_size=30)
我想我可以玩 LSTM 大小(10 或 100)、时期数和批量大小。
模型的准确性很差 (40%)。但目前我认为这是因为我没有足够的数据(24 个标签的 150 个句子)。
在获得更多数据之前,我会将此项目置于待机模式。
如果有人有改进此代码的想法,请随时发表评论!
关于python - 使用 LSTM 网络和 Keras 进行文本分类,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44972453/