在 python 中使用带有 LinearSVC 的特征选择
Posted
技术标签:
【中文标题】在 python 中使用带有 LinearSVC 的特征选择【英文标题】:Using feature selection with LinearSVC in python 【发布时间】:2018-01-21 19:55:37 【问题描述】:我的任务是为产品标题创建一个多类分类器,将它们分为 11 个类别。我正在使用 scikit 的 LinearSVC
进行分类。我首先通过删除停用词、使用 POS 标签进行词形还原以及使用带有 TFIDF 矢量化器的二元组来预处理产品标题。
我现在想使用chi2
的特征选择方法从这些特征中剔除不重要的特征,然后进行训练。但是我如何在我的模型中使用chi2
。下面是代码:
def identity(arg):
"""
Simple identity function works as a passthrough.
"""
return arg
class NLTKPreprocessor(BaseEstimator, TransformerMixin):
def __init__(self, stopwords=None, punct=None,
lower=True, strip=True):
self.lower = lower
self.strip = strip
self.stopwords = stopwords or set(sw.words('english'))
self.punct = punct or set(string.punctuation)
self.lemmatizer = WordNetLemmatizer()
def fit(self, X, y=None):
return self
def inverse_transform(self, X):
return [" ".join(doc) for doc in X]
def transform(self, X):
return [
list(self.tokenize(doc)) for doc in X
]
def tokenize(self, document):
# Break the document into sentences
for sent in sent_tokenize(document):
# Break the sentence into part of speech tagged tokens
for token, tag in pos_tag(wordpunct_tokenize(sent)):
# Apply preprocessing to the token
token = token.lower() if self.lower else token
token = token.strip() if self.strip else token
token = token.strip('_') if self.strip else token
token = token.strip('*') if self.strip else token
# If stopword, ignore token and continue
if token in self.stopwords or token.isdigit() == True:
continue
# If punctuation, ignore token and continue
if all(char in self.punct for char in token):
continue
# Lemmatize the token and yield
lemma = self.lemmatize(token, tag)
yield lemma
def lemmatize(self, token, tag):
tag =
'N': wn.NOUN,
'V': wn.VERB,
'R': wn.ADV,
'J': wn.ADJ
.get(tag[0], wn.NOUN)
return self.lemmatizer.lemmatize(token, tag)
def build_and_evaluate(X, y,
classifier=LinearSVC, outpath=None, verbose=True):
def build(classifier, X, y=None):
if isinstance(classifier, type):
classifier = classifier()
model = Pipeline([
('preprocessor', NLTKPreprocessor()),
('vectorizer', TfidfVectorizer(
tokenizer=identity, preprocessor=None, ngram_range = (1,2), min_df = 4, lowercase=False
)),
('classifier', classifier),
])
model.fit(X, y)
return model
labels = LabelEncoder()
y = labels.fit_transform(y)
X_train, X_test, y_train, y_test = tts(X, y, test_size=0.2)
model = build(classifier, X_train, y_train)
y_pred = model.predict(X_test)
print(clsr(y_test, y_pred, target_names=labels.classes_))
return model
if __name__ == '__main__':
df = pd.read_csv('file.txt', sep='\t', quoting=csv.QUOTE_NONE, usecols=[6, 12], skiprows=[0],
names=["category", "product_title"])
freq = df['category'].value_counts()[:10].to_dict()
new_categories = []
for i, category in enumerate(df['category']):
if category in freq.keys():
new_categories.append(category)
else:
new_categories.append('Other')
df['new_categories'] = new_categories
X = df['product_title'].tolist()
X = [i.replace('"', '') for i in X]
newlist=[]
for i in X:
i = i.decode('utf8')
newlist.append(i)
y = df['new_categories'].tolist()
model = build_and_evaluate(newlist,y)
谁能帮助我了解如何在上面的代码中使用chi2
?谢谢!
【问题讨论】:
使用 SelectKBest 选择***功能。有关详细信息,请参阅user guide。 @VivekKumar 好的,我想知道如何在管道中使用它。 【参考方案1】:以与 NLTKPreprocessor
相同的方式声明它,但在管道内的分类器上方。
如下声明你的管道:
model = Pipeline([
('preprocessor', NLTKPreprocessor()),
('vectorizer', TfidfVectorizer(
tokenizer=identity, preprocessor=None, ngram_range = (1,2), min_df = 4, lowercase=False
)),
('selector', SelectKBest(chi2, k=10)),
('classifier', classifier),
])
使用参数k
进行实验以设置不同数量的选定特征。我在这里使用了 10 个,但您需要对其进行调整。也许使用GridSearchCV。
【讨论】:
好的,谢谢。我可以为我的用例尝试任何其他功能选择方法吗? @akrama81 看到这个user guide page以上是关于在 python 中使用带有 LinearSVC 的特征选择的主要内容,如果未能解决你的问题,请参考以下文章
如何将 TfidfVectorizer 的输出馈送到 Sklearn 中的 LinearSVC 分类器?
哪个稀疏矩阵表示与 sklearn.svm.LinearSVC 一起使用