machine-learning - 如何改进我的文本主题分类器?

标签 machine-learning scikit-learn classification nltk data-science

我正在开发一个文本主题分类器,可以标记句子或小问题。 到目前为止,它可以标记大约 30 个已知主题。

效果很好,但它开始混淆类似的问题。

例如这 3 个标签:

1) 标签 - backup_proxy_intranet: 如何为内网应用设置备份代理? ...以及 140 个包含“Intranet 应用程序的备份代理”的类似问题...

2) 标签 - smartphone_intranet: 如何在我的智能手机中使用内联网应用程序?和 ...以及 140 个包含“我的智能手机中的内联网应用程序”的类似问题...

3) 标签-ticket_intranet:如何将工单订单与内网应用关联? ...以及 140 个包含“使用 Intranet 应用程序订票”的类似问题...

训练后,这 3 个始终返回标签 backup_proxy_intranet。 我该怎么做才能将它们分开?

series = series.dropna()
series = shuffle(series)

X_stemmed = []
for x_t in series['phrase']:
    stemmed_text = [stemmer.stem(i) for i in word_tokenize(x_t)]
    X_stemmed.append(' '.join(stemmed_text))

x_normalized = []
for x_t in X_stemmed:
    temp_corpus=x_t.split(' ')
    corpus=[token for token in temp_corpus if token not in stops]
    x_normalized.append(' '.join(corpus))

X_train,X_test,y_train,y_test = train_test_split(x_normalized,series['target'],random_state=0,test_size=0.20)

vect = CountVectorizer(ngram_range=(1,3)).fit(X_train)
X_train_vectorized = vect.transform(X_train)

sampler = SMOTE()
model = make_pipeline(sampler, LogisticRegression())
print()
print("-->Model: ")
print(model)
print()
print("-->Training... ")
model.fit(X_train_vectorized,y_train)

filename = '/var/www/html/python/intraope_bot/lib/textTopicClassifier.model'
pickle.dump(model,open(filename, 'wb'))
filename2 = '/var/www/html/python/intraope_bot/lib/textTopicClassifier.vector'
pickle.dump(vect,open(filename2, 'wb'))

最诚挚的问候!

最佳答案

我想你可能想使用 sklearn 的 TfidfVectorizer:它应该可以帮助你提高分数!

>>> from sklearn.feature_extraction.text import TfidfVectorizer
>>> corpus = [
...     "Label - backup_proxy_intranet: How to set up a backup proxy for intranet app? ... and 140 similar questions containing 'backup proxy for intranet app'"
...     Label - smartphone_intranet: How to use intranet app in my smartphone? and ... and 140 similar questions containing 'intranet app in my smartphone'...
... ]
>>> vectorizer = TfidfVectorizer()
>>> X = vectorizer.fit_transform(corpus)
>>> print(vectorizer.get_feature_names())

关于machine-learning - 如何改进我的文本主题分类器?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54660376/

相关文章:

mysql - 数据库设计困惑

python - 使用约束对 np.array 中的元素进行排序

node.js - 如何更新 TensorFlow.js 保存/训练的模型

python - 在神经网络中找到最佳学习率和时期

python-3.x - XGBModel'对象没有属性 'evals_result_'

python - IPython.parallel ValueError : cannot create an OBJECT array from memory buffer

url - 如何使用机器学习对网址进行分类?

python - RedHat 上 Scipy 和 Scikit-learn 中的 undefined symbol

python - 将预测映射回 ID - Python Scikit Learn DecisionTreeClassifier

matlab - Mnist数据集模式识别准确率