Kaggle Quora-如何快速进行数据分析 #0
转自我和朋友们的微信公众号:AI圈终身学习(ID:AIHomie),欢迎加入打卡群一起学习。
0. 写在前面
数据分析这项技能,对于比赛或者说服同事上司都是非常有意义的。但是在自然语言处理领域的比赛当中,我们似乎已经有固定的pipeline:
- 去去低频词,选择合适的文本长度(文本预处理)
- 然后选点牛逼的词向量训练方法,做做加权或者拼接啥的(特征预处理)
- 套一些用烂的模型,最后融合(建模)
- 训练时打乱或者删词或者蒸馏(训练方式)
- 加上一些运气(比较重要)
这样就能取得不菲的成绩,所以很多人都不重视这个步骤。但是,要拿冠军,这些琢磨不可少。其实更多的原因,是难以找到自然语言处理的分析教程,又不想去啃一本书(低效)。今天有空看了Kaggle上的Quara赛题,看到一个不错的关于数据分析的kernel,在这里分享一下。
1. 任务介绍
这是Quara(国外知乎)在kaggle上的第二个比赛。总的来说这是一个二分类问题-根据用户的问题,判断用户的提问有没有灌水。我举个中文的例子,比如这样的问题**“川普说要来我这学python”**就属于灌水。我这里列全官方的解释,灌水问题有这样一些特点:
- 语气非中性,通过夸张、修辞或隐喻的语气去强调特定人群
- 存在藐视或有煽动性
- 信息虚假
- 用性信息吸引眼球
总的来说,灌水问题的提问者对问题答案毫无兴趣。
2 数据与类别查看
Quara赛题训练集中数据为130万条,先看前五条数据:
再看类别占比如下,大概6%的问题(target=1)属于灌水问题(insincere question),94%属于非灌水问题(sincere question):
3. 数据分析
每个任务分析数据时,我们要有这样几个问题:
- 数据类别有几种,分别占比是多少?(已经查看)
- 词在不同类别中是如何分布的?
- 哪些词是重要词?
- 词长是如何分布的?
- 我们如何选取特征?
- …
3.1 先看词云
我们先用词云看下语料中单个词词频的分布:
这些都是语料里的高频词。但是看着五花八门,花里胡哨,只能干瞪眼。所以一种方法是在每个类别里去看看高频词分别是哪些。
3.2 分类查看高频词
我们现在分类查看1-gram的词频分布,结果如下:
观察发现:
- 诸如’people’, ‘will’, 'think’等高频词在两个类别里都出现了。
- 只在非灌水问题中靠前的高频词有’best’, ‘good’。
- 只在灌水问题中靠前的高频词有’trump’, ‘women’, ‘white’。
是不是已经发现有点点意思了,至少我们可以跟老板说,全球人民(除了中国)在Quora上喜欢用川普来灌水。
我们现在分类查看2-gram的词频分布,差别就更大了,结果如下:
差别很明显,但是我们在工程中能怎么用呢?目前我也没有很好的方式。
3.3 分类查看词长
我们应该猜想,在不同的类别中,问题的词长分布会不会不一样呢?我们分别查看这样几种分布:
- 每个类中词数量(word)
- 每个类中字数量(char)
- 每个类中符号数量(punc)
分析发现,灌水问题字符数量比非灌水问题多,因此这可以作为一个特征。
3.4 Baseline
作者上面一顿操作猛如虎的分析过后,选择了和上面毫无关系的TFIDF特征加线性回归模型作为baseline,线下f1在0.60左右,基本没法看。但是通过eli5库查看对模型重要的词:
4. 结语
感谢您读到了这里,通过阅读全文,相信您也感觉到了数据分析在自然语言处理领域中的尴尬地位。看起来,数据分析看上去似乎是在把应该自动化的工作人工化,是会增加企业成本的一门技术。但是我依然觉得它现在非常重要的原因有:
- 团队汇报需要,表示你对任务有足够的了解
- 某个特征说不定能对模型有提升帮助
- 神经网络开发殆尽,未来越来越多的工作需要外部知识的帮助提升系统性能,因此对数据的分析是必不可少的
你可以在这里或我的github上找到代码。
后面有时间我们会发布我们的baseline,提前关注公众号不迷路。
因为部分文字和代码可能作者写的不清楚,如果您有任何问题,您可以在我们的知识星球或者微信群里直接提问。没有问题也欢迎加入一起学习。
Kaggle Quora-如何快速进行数据分析 #0相关推荐
- spark任务shell运行_《Spark快速大数据分析》- 根据简单例子理解RDD
1. RDD简介 RDD,弹性分布式数据集(Resiliennt Distributed Datasets),是Spark中最重要的核心概念,是Spark应用中存储数据的数据结构. RDD 其实就是分 ...
- Kaggle泰坦尼克号生存预测挑战——数据分析
Kaggle泰坦尼克号生存预测挑战 这是kaggle上Getting Started 的Prediction Competition,也是比较入门和简单的新人赛,我的最好成绩好像有进入top8%,重新 ...
- Spark快速大数据分析——Scala语言基础(壹)
Spark快速大数据分析--Scala语言基础(壹) 文章目录 Spark快速大数据分析--Scala语言基础(壹) 前记 Scala的历史 环境搭建: 1.SBT构建工具和REPL: 2.使用IDE ...
- 超级菜鸟如何快速入门数据分析?
从事数据科学行业差不多快5年了,自行设计开发过两套数据分析平台,对业务数据分析深有体会,本人深恶痛绝那种<5天学会数据分析>的课程或者趴一下甩出来一堆技能列表与书单的回答. 我们知道,数据 ...
- 《Spark快速大数据分析》—— 第三章 RDD编程
本文转自博客园xingoo的博客,原文链接:<Spark快速大数据分析>-- 第三章 RDD编程,如需转载请自行联系原博主.
- 快速获取当天0点0分0秒(00:00:00),23点59分59秒(23:59:59)
// 利用Apache lang包快速获取凌晨0点0分0秒,23点59分59秒字符串 System.out.println(DateFormatUtils.format(new Dat ...
- Linux 基于官网快速安装zabbix5.0图文教程
基于官网快速安装zabbix5.0图文教程 前言 1选择下载zabbix的版本和配置 访问官网下载地址 2.安装和配置zabbix 安装zabbix资源库 安装Zabbix server,Web前端, ...
- 大数据时代如何快速学会数据分析(1)
@TOC 大数据概述 自2012年以来互联网风靡全球,技术的发展推进电脑.平板.手机等其他电子产品迅速普及到个人.所谓:'不识庐山真面目,只缘身在此山中',处于这个时代的你是否了解大数据究竟是什么?为 ...
- 零基础快速入门SpringBoot2.0教程 (三)
一.SpringBoot Starter讲解 简介:介绍什么是SpringBoot Starter和主要作用 1.官网地址:https://docs.spring.io/spring-boot/doc ...
- Spark快速大数据分析——读书笔记
--8.16开始整理 Spark快速大数据分析 推荐序: 一套大数据解决方案通常包含多个组件,从存储.计算和网络硬件层,到数据处理引擎,再到利用改良的统计和计算算法.数据可视化来获得商业洞见的分析层, ...
最新文章
- SQL Server 2008高可用性系列:数据库快照
- CSS过渡动画的理解
- 【Android UI】图片 + 文字展示by SpannableStringBuilder
- MyEclipse常用快捷键及快捷键大全
- 蚂蚁资深技术专家王旭:开源项目是如何让这个世界更安全的?
- magento开启模板路径提示
- Windows xp下IDT Hook和GDT的学习
- IOS --xcode删除Provisioning Profiles文件
- 十分钟弄懂最快的APP自动化工具uiautomator2
- Windows安装Linux, (WSL)Windows Subsystem for Linux
- 如何解决MacOS无法登录app store的问题?
- Ruby 安装 - Linux
- oracle18c卸载方法,Oracle 18c Sharding 删除catalog 步骤
- ClickHouse字段分组取TOP N
- Spring Boot-1 (IntelliJ IDEA + gradle)
- Kibana Query Language(KQL)
- 记住沃伦巴菲特这三十条
- 已知IP地址和子网掩码求出网络地址、广播地址、地址范围和主机数
- 虫师selenium3+python自动化测试电子版_Selenium3 Java自动化测试实战 第三版.pdf
- Java学习笔记2.5.3 循环结构 - 循环嵌套
热门文章
- 修改win10更新服务器,修改win10更新服务器地址
- JAVA+=运算程序诡异事件
- 规范的计算机网络规模分类,就计算机网络按规模分类而言,下列说法中规范的是( )。...
- 全国区号省份mysql_中国各个省份的区号是多少
- Linux capability初探
- 好书推荐:道德经说什么
- LIBOR-OIS息差利率 伦敦银行同业拆息与隔夜指数掉期
- CVAL,PVAL,SVAL宏定义
- 如何给程序添加管理员权限(以管理员权限运行功能)
- 3541. 代码查重