文档分类

这里就简单的举一个例子吧！第一次看的时候完全没有明白是怎么回事，后面睡了一下起来就明白了。主要是对于朴素贝叶斯分类模型不了解吧。

使用影评语料库获取所有的评论，训练模型后，模型能够根据文章，判断文章是正面的还是反面的。关键还是下面这张图。

有监督分类

首先是获取影评语料，这个库是按照积极（pos）和消极（neg）将文本以文件的形式分开。朴素贝叶斯分类模型，使用提取到的特征，以及正确的标签作为训练数据。

• 特征提取：获取语料库的前2000个单词，就使用文章是否拥有这些单词为特征。

  #获取影评库中的单词构建频率分布
  fd = nltk.FreqDist(movie_reviews.words())
  #选取前2000个用于就够特征，特征集就是这些单词在不在文件中
  word_feature = list(fd.keys())[:2000]
  
  #特征提取器：
  def document_features(document):
      document = set(document)
      features = {}
      for w in word_feature:
          features[w] = w in document
  
      return features
  

• 数据：首先要获取分类，再获取文件，最后获取文件所有单词传入特征提取函数，返回的特征集和文本的标签组成元组。这样就得到了训练数据。

    #获取数据
    documents =  [
            (document_features(movie_reviews.words(d)),c)
             for c in movie_reviews.categories()
             for d in movie_reviews.fileids(c)
         ]
    train_set,test_set = documents[100:],documents[:100]
  

• 训练数据：前面的字典就是特征 {单词：存在与否}，单词选用的是语料库的前2000个。

{.... , 'manhunter': False, 'scottish': False, 'brian': False, 'cox': False}, 'neg')

• 朴素贝叶斯分类模型
  直接在nltk模块下调用就可以了很方便的。

   #训练模型
    classifier = nltk.NaiveBayesClassifier.train(train_set)
  

对于如何实现分类的需要取具体了解贝叶斯模型的原理。在本程序中一开始很不理解怎么就实现分类了？ 仔细查看训练数据之后才明白过来。训练集提取文章的标签（neg/pos）然后是特征集（是否包含单词），就将这两项交给模型告诉他这个特征集是正面的或者是反面的。模型自己会学习，我感觉就是稍微复杂一点的匹配吧。

---

整个程序：

import nltk
#导入影评语料库
from nltk.corpus import movie_reviews
#构建语料库中所有单词的频率分布
fd = nltk.FreqDist(movie_reviews.words())
#获取前2000个单词，在提取特征值的时候会用到，
#此程序的特征集将这2000个单词组成字典，评论中包含这个词则值为True，不包含则为False
word_feature = list(fd.keys())[:2000]

#特征提取器：
def document_features(document):
    #将影评转换为集合，判断一个单词是否在集合中比判断它是否在list链表中快
    document = set(document)
    features = {}
    #遍历2000个单词构建当前文本的特征集，
    # 如果此单词存在则值为True，反之False
    for w in word_feature:
        features[w] = w in document
    return features

#获取数据
# 转换为了各个文本的 （特征集，标签）
documents =  [
        (document_features(movie_reviews.words(d)),c)
         for c in movie_reviews.categories()
         for d in movie_reviews.fileids(c)
     ]
#分为训练集和测试集
train_set,test_set = documents[100:],documents[:100]
#训练模型
classifier = nltk.NaiveBayesClassifier.train(train_set)
# 评估模型准确度
print(nltk.classify.accuracy(classifier,test_set))

输出结果：0.78