python-3.x - Scikit learn/python 中自然文本的有效分类

标签 python-3.x machine-learning scikit-learn text-classification

我希望我的分类算法能够根据一组类别对基于自然语言的原始数据进行分类,当且仅当它满足某个类别的特定阈值准确度(例如 80% 的准确度),否则我想要我的分类器将该特定原始文本分类为“未分类”类别。我该怎么做?

我的示例数据集:

+----------------------+------------+
| Details              | Category   |
+----------------------+------------+
| Any raw text1        | cat1       |
+----------------------+------------+
| any raw text2        | cat1       |
+----------------------+------------+
| any raw text5        | cat2       |
+----------------------+------------+
| any raw text7        | cat1       |
+----------------------+------------+
| any raw text8        | cat2       |
+----------------------+------------+
| Any raw text4        | cat4       |
+----------------------+------------+
| any raw text5        | cat4       |
+----------------------+------------+
| any raw text6        | cat3       |
+----------------------+------------+

这将是我的训练数据,我将划分相同的数据作为测试集和训练集

import pandas as pd
import numpy as np
import scipy as sp
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt  
from sklearn.model_selection import train_test_split 
data= pd.read_csv('mydata.xls.gold', delimiter='\t',usecols=
['Details','Category'],encoding='utf-8')
target_one=data['Category']
target_list=data['Category'].unique()         
x_train, x_test, y_train, y_test = train_test_split(data.Details, 
data.NUM_CATEGORY, random_state=42)
vect = CountVectorizer(ngram_range=(1,2))
#converting traning features into numeric vector
X_train = vect.fit_transform(x_train.values.astype('U'))
#converting training labels into numeric vector
X_test = vect.transform(x_test.values.astype('U'))
start = time.clock()

mnb = MultinomialNB(alpha =0.13)

mnb.fit(X_train,y_train)

result= mnb.predict(X_test)

print (time.clock()-start)

# mnb.predict_proba(x_test)[0:10,1]
accuracy_score(result,y_test)

我该如何进行?分类器需要设置什么参数吗? 提前致谢。

最佳答案

您可以使用 predict_proba 结果并使用 columns = target_list 创建 pandas 数据框,然后使用 maxidxmax找到测试集中每个元素概率最高的类别。完成后,您可以使用 bool 掩码和广播将低于阈值的类别设置为“未分类”

import pandas as pd

df = pd.DataFrame(clf.predict_proba(X_test), columns=target_list)
res_df = pd.DataFrame()

res_df['max_prob'] = df.max(axis=1)
res_df['max_prob_cat'] = df.idxmax(axis=1)

res_df.loc[res_df['max_prob'] < .8, 'max_prob_cat'] = 'unclassified'

df 如下所示

              cat1          cat2          cat3          cat4
0     1.091685e-06  2.257549e-04  9.994661e-01  3.070665e-04
1     2.288312e-02  9.752170e-01  1.783878e-03  1.159706e-04
2     1.980685e-01  3.494765e-01  4.416871e-01  1.076788e-02
3     2.205478e-07  9.999601e-01  3.276864e-05  6.920325e-06
4     2.736805e-03  9.795997e-01  1.718200e-02  4.815429e-04

res_df 看起来像

      max_prob  max_prob_cat
0     0.999466          cat3
1     0.975217          cat2
2     0.441687  unclassified
3     0.999960          cat2
4     0.979600          cat2
5     0.999956          cat2
6     0.998864          cat3
7     0.996888          cat3
8     0.999422          cat1
9     0.994412          cat3
10    0.954508          cat2
11    0.999999          cat2

关于python-3.x - Scikit learn/python 中自然文本的有效分类,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48616190/

相关文章:

python - 来自 SciKit-Learn 的 LabelEncoder 的 TypeError

python - 如何将 sns.facetgrid 保存为 pdf

python - 使用 sigmoid 函数有什么好处?

machine-learning - 在回归模型中使用 Keras ImageDataGenerator

python-3.x - 在 sklearn 中对 pickle 数据进行预测

python - 如何使用 statsmodels 中的 Linear_model.OLS 使用 LinearRegression 预测数据

python - 使用 Python 3 在文件夹之间移动文件

python - 我应该按照哪个顺序升级 Python、DJango 和 DJango-cms?

python-3.x - 如何从 gensim 模块导入 WordEmbeddingSimilarityIndex 函数?

java - Java 或 C++ 中的 API,用于读取机读区旅行证件(护照)代码