（二）中文文本分类--机器学习算法原理与编程实践

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指标
使用的算法：朴素的贝叶斯算法，KNN最近邻算法
python库：jieba分词，Scikit-Learning
本章目标：实现小型的文本分类系统
本章主要讲解文本分类的整体流程和相关算法

2.1 文本挖掘和文本分类的概念

1，文本挖掘：指从大量的文本数据中抽取事先未知的，可理解的，最终可使用的知识的过程，同时运用这些知识更好的组织信息以便将来参考。
简言之，就是从非结构化的文本中寻找知识的过程
2，文本挖掘的细分领域：搜索和信息检索(IR)，文本聚类，文本分类，Web挖掘，信息抽取(IE)，自然语言处理（NLP),概念提取。
3，文本分类：为用户给出的每个文档找到所属的正确类别
4，文本分类的应用：文本检索，垃圾邮件过滤，网页分层目录自动生成元数据，题材检测
5，文本分类的方法：一是基于模式系统，二是分类模型

2.2 文本分类项目

中文语言的文本分类技术和流程:

1）预处理：去除文本的噪声信息：HTML标签，文本格式转换
2）中文分词：使用中文分词器为文本分词，并去除停用词
3）构建词向量空间：统计文本词频，生成文本的词向量空间
4 ) 权重策略--TF-IDF方法：使用TF-IDF发现特征词，并抽取为反映文档主题的特征
5）分类器：使用算法训练分类器
6）评价分类结果：分类器的测试结果分析

2.2.1 文本预处理：

文本处理的核心任务：将非结构化的文本转换为结构化的形式，即向量空间模型

文本处理之前需要对不同类型的文本进行预处理

文本预处理的步骤：

1，选择处理的文本的范围：整个文档或其中段落
2，建立分类文本语料库：
训练集语料：已经分好类的文本资源。（文件名:train_corpus_small）
测试集语料：待分类的文本语料（本项目的测试语料随机选自训练语料）（文件名：test_corpus）
3，文本格式转换：统一转换为纯文本格式。（注意问题：乱码）
4，检测句子边界：标记句子结束

2.2.2 中文分词介绍

1，中文分词：将一个汉字序列（句子）切分成一个单独的词（中文自然语言处理的核心问题）
2，中文分词的算法：基于概率图模型的条件随机场（CRF）
3，分词后文本的结构化表示：词向量空间模型，主题模型，依存句法的树表示，RDF的图表示
4，本项目的分词系统：采用jieba分词
5, jieba分词支持的分词模式：默认切分，全切分，搜索引擎切分
6，jieba分词的代码见文件：对未分词语料库进行分词并持久化对象到一个dat文件(创建分词后的语料文件：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("\r\n","").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

2.2.3 Scikit-Learn库简介

1，模块分类：

1）分类和回归算法：广义线性模型，支持向量机，kNN,朴素贝叶斯，决策树，特征选择
2）聚类算法：K-means
3）维度约简：PCA
4）模型选择:交叉验证
5）数据预处理：标准化，去除均值率和方差缩放，正规化，二值化，编码分类特征，缺失值的插补

2.2.4 向量空间模型：文本分类的结构化方法

1，向量空间模型：将文本表示为一个向量，该向量的每个特征表示为文本中出现的词
2，停用词：文本分类前，自动过滤掉某些字或词，以节省储存空间。根据停用词表去除，表可下载。代码见文件

2.2.5 权重策略：TF-IDF方法

1，词向量空间模型：将文本中的词转换为数字，整个文本集转换为维度相等的词向量矩阵（简单理解，抽取出不重复的每个词，以词出现的次数表示文本）
2，归一化：指以概率的形式表示，例如：0，1/5,0,0,1/5,2/5,0,0,也称为：词频TF（仅针对该文档自身）
3，词条的文档频率IDF： 针对所有文档的词频

TF-IDF权重策略：计算文本的权重向量

1，TF-IDF的含义：词频逆文档频率。如果某个词在一篇文章中出现的频率高（词频高），并且在其他文章中很少出现（文档频率低），则认为该词具有很好的类别区分能力，适合用来分类。IDF其实是对TF起抵消作用。
2，词频TF的定义：某一个给定的词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，由总文件数除以包含该词语的文件的数目，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料库文件dat利用TF-IDF策略转化，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

2.2.6 使用朴素贝叶斯分类模块

常用的文本分类方法：kNN最近邻算法，朴素贝叶斯算法，支持向量机算法

本节选择朴素贝叶斯算法进行文本分类，测试集随机选取自训练集的文档集合，每个分类取10个文档

训练步骤和训练集相同：分词 (文件test_corpus) 》生成文件词向量文件 》 生成词向量模型。

（不同点：在训练词向量模型时，需加载训练集词袋，将测试集生成的词向量映射到训练集词袋的词典中，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

执行多项式贝叶斯算法进行测试文本分类，并返回分类精度，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),"%"

2.2.7 分类结果评估

机器学习领域的算法评估的指标：
（1）召回率（查全率）：检索出的相关文档数和文档库中所有的相关文档数的比率，是衡量检索系统的查全率
召回率=系统检索到的相关文件/系统所有相关的文档总数
（2）准确率（精度）：检索出的相关文档数与检索出的文档总数的比率
准确率=系统检索到的相关文件/系统所有检索到的文件总数
（3）Fp-Measure
Fp=(p2+1)PR/(p2P+R),P是准确率，R是召回率
p=1时，就是F1-Measure
文本分类项目的分类评估结果评估：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

2.3 分类算法：朴素贝叶斯

本节主要讨论朴素贝叶斯算法的基本原理和python实现

2.3.1 贝叶斯公式推导

朴素贝叶斯文本分类的思想：它认为词袋中的两两词之间是相互独立的，即一个对象的特征向量中的每个维度都是相互独立的。
朴素贝叶斯分类的定义:
（1），设x={a1,a2,^am}为一个待分类项，而每个a为x的一个特征属性
（2），有类别集合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

-- 计算第（3）步的各个条件概率：
（1）找到一个已知分类的待分类集合，即训练集
（2）统计得到在各个类别下的各个特征属性的条件概率估计，即：
P(a1|y1),P(a2|y2),……，P(am|y1)
P(a1|y2),P(a2|y2),……，P（am|y2）
……
（3），如果各个特征属性是条件独立的，根据贝叶斯定理有：
P(yi|x) = P(x|yi)*P(yi)/P(x)
分母对于所有类别为常数，故只需将分子最大化即可

故，贝叶斯分类的流程为：
第一阶段 ： 训练数据生成训练样本集：TF-IDF
第二阶段： 对每个类别计算P(yi)
第三阶段：对每个特征属性计算所有划分的条件概率
第四阶段：对每个类别计算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

2.3.2 朴素贝叶斯算法实现

样例：使用简单的英文语料作为数据集，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

2.4 分类算法：KNN

KNN算法：计算向量间的距离衡量相似度来进行文本分类

2.4.1 KNN算法的原理

1，算法思想：如果一个样本在特征空间的k个最近邻（最近似）的样本中的大多数都属于某一类别，则该样本也属于这个类别，k是由自己定义的外部变量。

2，KNN算法的步骤：

第一阶段：确定k值（就是最近邻的个数），一般是奇数
第二阶段：确定距离度量公式，文本分类一般使用夹角余弦，得出待分类数据点与所有已知类别的样本点，从中选择距离最近的k个样本
夹角余弦公式：cos =AB/|A|*|B|
第三阶段:统计k个样本点中各个类别的数量，哪个类别的数量最多，就把数据点分为什么类别

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)

2.5 结语

本章讲解了机器学习的两个算法：朴素贝叶斯算法和K最近邻算法

介绍了文本分类的6个主要步骤：
1）文本预处理
2）中文分词
3）构建词向量空间
4）权重策略----TF-IDF方法
5）朴素贝叶斯算法器
6）评价分类结果