1 赛题理解
2 数据分析
3 词向量+机器学习模型
4 Fasttext
一、简介
keras版本的fasttext实现
fastText是Facebook于2016年开源的一个词向量计算和文本分类工具,在学术上并没有太大创新。但是它的优点也非常明显,在文本分类任务中,fastText(浅层网络)往往能取得和深度网络相媲美的精度,却在训练时间上比深度网络快许多数量级。在标准的多核CPU上, 能够训练10亿词级别语料库的词向量在10分钟之内,能够分类有着30万多类别的50多万句子在1分钟之内。
这里有原理和基础知识的介绍,可以看一看
二、实例
import numpy as np
import pandas as pd
import fasttext
from sklearn.metrics import f1_score
train = pd.read_csv(r'E:\jupyter_lab\TianChi\News_classifier\data\train\train_set.csv',sep='\t',encoding='utf8')
train.head()
train.shape #(200000,2)
image.png
1.处理成fasttext的输入格式,并保存
train['label_ft'] = '__label__' + train['label'].astype(str)
train[['text','label_ft']].iloc[:-5000].to_csv(r'E:\jupyter_lab\TianChi\News_classifier\data\train\train_fasttext.csv',index=None,header=None,sep='\t')
#默认逗号分隔
train[['text','label_ft']].iloc[-5000:].to_csv(r'E:\jupyter_lab\TianChi\News_classifier\data\test_a\test_fasttext.csv',index=None,header=None,sep='\t')
2.训练并保存
%%time
data_path = r'E:\jupyter_lab\TianChi\News_classifier\data\train\train_fasttext.csv'
model = fasttext.train_supervised(input=data_path, lr=1.0, wordNgrams=3, minCount=1,label='__label__',epoch=25,loss='hs')
output_dir = r"E:\jupyter_lab\TianChi\News_classifier\model\model.bin"
model.save_model(output_dir)
超长时间预警:
image.png
fasttext的参数解释
input: 训练数据文件路径
lr: 学习率
dim: 向量维度
ws: cbow模型时使用
epoch: 次数
minCount: 词频阈值, 小于该值在初始化时会过滤掉
minCountLabel: 类别阈值,类别小于该值初始化时会过滤掉
minn: 构造subword时最小char个数
maxn: 构造subword时最大char个数
neg: 负采样
wordNgrams: n-gram个数
loss: 损失函数类型, softmax, ns: 负采样, hs: 分层softmax
label: 类别前缀
3.重新加载模型并测试
model_reload = fasttext.load_model(output_dir)
pred_result = model_reload.predict(train.iloc[-1]['text'])
pred_result
#看看返回的形式 return 标签列表, 概率列表
image.png
单个样本单个样本的预测,最后计算 f1_score
%%time
val_pred = [model_reload.predict(x)[0][0].split('__')[-1] for x in train.iloc[-5000:]['text']]
#return 类别的列表
print(f1_score(train['label'].values[-5000:].astype(str),val_pred,average='macro'))
image.png
以整个文件的形式进行test,返回准确率
%%time
data_test_path = r'E:\jupyter_lab\TianChi\News_classifier\data\test_a\test_fasttext.csv'
clf_model = r"E:\jupyter_lab\TianChi\News_classifier\model\model.bin"
def predict(input_data, clf_model): #return [样本个数, 准确率, 召回率]
classifier_model = fasttext.load_model(clf_model)
prd_label = classifier_model.test_label(input_data)
print(prd_label)
prd_label = classifier_model.test(input_data)
acc = prd_label[1]
return acc
acc=predict(data_test_path,clf_model)
pre_label长这个样子
classifier_model.test_label.png
acc:0.94
4.关于参数调优
改变fasttext里的参数,进行模型调整。
(1)API中默认wordNgrams为1,其实就是默认不加入N-gram feature。当然是加入之后效果更好。
(2)lr 在[0.1-1]之间进行尝试。
还有其他的一些参数,可以尝试修改。由于运行时间有点长,就先撤了~
更新中,下节预告:基于深度学习的文本分类2
网友评论