美文网首页深度学习机器学习算法呆鸟的Python数据分析
天池学习赛-NLP新闻文本分类(4/6)-fasttext模型

天池学习赛-NLP新闻文本分类(4/6)-fasttext模型

作者: 粉红狐狸_dhf | 来源:发表于2020-07-27 17:21 被阅读0次

    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

    image.png
    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

    相关文章

      网友评论

        本文标题:天池学习赛-NLP新闻文本分类(4/6)-fasttext模型

        本文链接:https://www.haomeiwen.com/subject/rxozlktx.html