改编自博客:

http://blog.csdn.net/github_36326955/article/details/54891204

根据下面的参考了链接可知,sklearn中的决策树用的是CART算法

http://sofasofa.io/forum_main_post.php?postid=1000402&

做个笔记

代码按照1 2 3 4的顺序进行即可:

1.py(corpus_segment.py)

[python] view plain copy
  1. #!/usr/bin/env python
  2. # -*- coding: UTF-8 -*-
  3. """
  4. @version: python2.7.8
  5. @author: XiangguoSun
  6. @contact: sunxiangguodut@qq.com
  7. @file: corpus_segment.py
  8. @time: 2017/2/5 15:28
  9. @software: PyCharm
  10. """
  11. import sys
  12. import os
  13. import jieba
  14. # 配置utf-8输出环境
  15. reload(sys)
  16. sys.setdefaultencoding('utf-8')
  17. # 保存至文件
  18. def savefile(savepath, content):
  19. with open(savepath, "wb") as fp:
  20. fp.write(content)
  21. '''''
  22. 上面两行是python2.6以上版本增加的语法,省略了繁琐的文件close和try操作
  23. 2.5版本需要from __future__ import with_statement
  24. 新手可以参考这个链接来学习http://zhoutall.com/archives/325
  25. '''
  26. # 读取文件
  27. def readfile(path):
  28. with open(path, "rb") as fp:
  29. content = fp.read()
  30. return content
  31. def corpus_segment(corpus_path, seg_path):
  32. '''''
  33. corpus_path是未分词语料库路径
  34. seg_path是分词后语料库存储路径
  35. '''
  36. catelist = os.listdir(corpus_path)  # 获取corpus_path下的所有子目录
  37. '''''
  38. 其中子目录的名字就是类别名,例如:
  39. train_corpus/art/21.txt中,'train_corpus/'是corpus_path,'art'是catelist中的一个成员
  40. '''
  41. # 获取每个目录(类别)下所有的文件
  42. for mydir in catelist:
  43. '''''
  44. 这里mydir就是train_corpus/art/21.txt中的art(即catelist中的一个类别)
  45. '''
  46. class_path = corpus_path + mydir + "/"  # 拼出分类子目录的路径如:train_corpus/art/
  47. seg_dir = seg_path + mydir + "/"  # 拼出分词后存贮的对应目录路径如:train_corpus_seg/art/
  48. if not os.path.exists(seg_dir):  # 是否存在分词目录,如果没有则创建该目录
  49. os.makedirs(seg_dir)
  50. file_list = os.listdir(class_path)  # 获取未分词语料库中某一类别中的所有文本
  51. '''''
  52. train_corpus/art/中的
  53. 21.txt,
  54. 22.txt,
  55. 23.txt
  56. ...
  57. file_list=['21.txt','22.txt',...]
  58. '''
  59. for file_path in file_list:  # 遍历类别目录下的所有文件
  60. fullname = class_path + file_path  # 拼出文件名全路径如:train_corpus/art/21.txt
  61. content = readfile(fullname)  # 读取文件内容
  62. '''''此时,content里面存贮的是原文本的所有字符,例如多余的空格、空行、回车等等,
  63. 接下来,我们需要把这些无关痛痒的字符统统去掉,变成只有标点符号做间隔的紧凑的文本内容
  64. '''
  65. content = content.replace("\r\n", "")  # 删除换行
  66. content = content.replace(" ", "")#删除空行、多余的空格
  67. content_seg = jieba.cut(content)  # 为文件内容分词
  68. savefile(seg_dir + file_path, " ".join(content_seg))  # 将处理后的文件保存到分词后语料目录
  69. print "中文语料分词结束!!!"
  70. '''''
  71. 如果你对if __name__=="__main__":这句不懂,可以参考下面的文章
  72. http://imoyao.lofter.com/post/3492bc_bd0c4ce
  73. 简单来说如果其他python文件调用这个文件的函数,或者把这个文件作为模块
  74. 导入到你的工程中时,那么下面的代码将不会被执行,而如果单独在命令行中
  75. 运行这个文件,或者在IDE(如pycharm)中运行这个文件时候,下面的代码才会运行。
  76. 即,这部分代码相当于一个功能测试。
  77. 如果你还没懂,建议你放弃IT这个行业。
  78. '''
  79. if __name__=="__main__":
  80. #对训练集进行分词
  81. corpus_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204_tenwhy/chinese_text_classification-master/train/"  # 未分词分类语料库路径
  82. seg_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204_tenwhy/chinese_text_classification-master/train_corpus_seg/"  # 分词后分类语料库路径,本程序输出结果
  83. corpus_segment(corpus_path,seg_path)
  84. #对测试集进行分词
  85. corpus_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204_tenwhy/chinese_text_classification-master/answer/"  # 未分词分类语料库路径
  86. seg_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204_tenwhy/chinese_text_classification-master/test_corpus_seg/"  # 分词后分类语料库路径,本程序输出结果
  87. corpus_segment(corpus_path,seg_path)

2.py(corpus2Bunch.py)

[python] view plain copy
  1. #!/usr/bin/env python
  2. # -*- coding: UTF-8 -*-
  3. """
  4. @version: python2.7.8
  5. @author: XiangguoSun
  6. @contact: sunxiangguodut@qq.com
  7. @file: corpus2Bunch.py
  8. @time: 2017/2/7 7:41
  9. @software: PyCharm
  10. """
  11. import sys
  12. reload(sys)
  13. sys.setdefaultencoding('utf-8')
  14. import os#python内置的包,用于进行文件目录操作,我们将会用到os.listdir函数
  15. import cPickle as pickle#导入cPickle包并且取一个别名pickle
  16. '''''
  17. 事实上python中还有一个也叫作pickle的包,与这里的名字相同了,无所谓
  18. 关于cPickle与pickle,请参考博主另一篇博文:
  19. python核心模块之pickle和cPickle讲解
  20. http://blog.csdn.net/github_36326955/article/details/54882506
  21. 本文件代码下面会用到cPickle中的函数cPickle.dump
  22. '''
  23. from sklearn.datasets.base import Bunch
  24. #这个您无需做过多了解,您只需要记住以后导入Bunch数据结构就像这样就可以了。
  25. #今后的博文会对sklearn做更有针对性的讲解
  26. def _readfile(path):
  27. '''''读取文件'''
  28. #函数名前面带一个_,是标识私有函数
  29. # 仅仅用于标明而已,不起什么作用,
  30. # 外面想调用还是可以调用,
  31. # 只是增强了程序的可读性
  32. with open(path, "rb") as fp:#with as句法前面的代码已经多次介绍过,今后不再注释
  33. content = fp.read()
  34. return content
  35. def corpus2Bunch(wordbag_path,seg_path):
  36. catelist = os.listdir(seg_path)# 获取seg_path下的所有子目录,也就是分类信息
  37. #创建一个Bunch实例
  38. bunch = Bunch(target_name=[], label=[], filenames=[], contents=[])
  39. bunch.target_name.extend(catelist)
  40. '''''
  41. extend(addlist)是python list中的函数,意思是用新的list(addlist)去扩充
  42. 原来的list
  43. '''
  44. # 获取每个目录下所有的文件
  45. for mydir in catelist:
  46. class_path = seg_path + mydir + "/"  # 拼出分类子目录的路径
  47. file_list = os.listdir(class_path)  # 获取class_path下的所有文件
  48. for file_path in file_list:  # 遍历类别目录下文件
  49. fullname = class_path + file_path  # 拼出文件名全路径
  50. bunch.label.append(mydir)
  51. bunch.filenames.append(fullname)
  52. bunch.contents.append(_readfile(fullname))  # 读取文件内容
  53. '''''append(element)是python list中的函数,意思是向原来的list中添加element,注意与extend()函数的区别'''
  54. # 将bunch存储到wordbag_path路径中
  55. with open(wordbag_path, "wb") as file_obj:
  56. pickle.dump(bunch, file_obj)
  57. print "构建文本对象结束!!!"
  58. if __name__ == "__main__":#这个语句前面的代码已经介绍过,今后不再注释
  59. #对训练集进行Bunch化操作:
  60. wordbag_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204_tenwhy/chinese_text_classification-master/train_word_bag/train_set.dat"  # Bunch存储路径,程序输出
  61. seg_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204_tenwhy/chinese_text_classification-master/train_corpus_seg/"  # 分词后分类语料库路径,程序输入
  62. corpus2Bunch(wordbag_path, seg_path)
  63. # 对测试集进行Bunch化操作:
  64. wordbag_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204_tenwhy/chinese_text_classification-master/test_word_bag/test_set.dat"  # Bunch存储路径,程序输出
  65. seg_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204_tenwhy/chinese_text_classification-master/test_corpus_seg/"  # 分词后分类语料库路径,程序输入
  66. corpus2Bunch(wordbag_path, seg_path)

3.py(TFIDF_space.py)

[python] view plain copy
  1. #!/usr/bin/env python
  2. # -*- coding: UTF-8 -*-
  3. """
  4. @version: python2.7.8
  5. @author: XiangguoSun
  6. @contact: sunxiangguodut@qq.com
  7. @file: TFIDF_space.py
  8. @time: 2017/2/8 11:39
  9. @software: PyCharm
  10. """
  11. import sys
  12. reload(sys)
  13. sys.setdefaultencoding('utf-8')
  14. from sklearn.datasets.base import Bunch
  15. import cPickle as pickle
  16. from sklearn.feature_extraction.text import TfidfVectorizer
  17. def _readfile(path):
  18. with open(path, "rb") as fp:
  19. content = fp.read()
  20. return content
  21. def _readbunchobj(path):
  22. with open(path, "rb") as file_obj:
  23. bunch = pickle.load(file_obj)
  24. return bunch
  25. def _writebunchobj(path, bunchobj):
  26. with open(path, "wb") as file_obj:
  27. pickle.dump(bunchobj, file_obj)
  28. def vector_space(stopword_path,bunch_path,space_path,train_tfidf_path=None):
  29. stpwrdlst = _readfile(stopword_path).splitlines()
  30. bunch = _readbunchobj(bunch_path)
  31. tfidfspace = Bunch(target_name=bunch.target_name, label=bunch.label, filenames=bunch.filenames, tdm=[], vocabulary={})
  32. if train_tfidf_path is not None:
  33. trainbunch = _readbunchobj(train_tfidf_path)
  34. tfidfspace.vocabulary = trainbunch.vocabulary
  35. vectorizer = TfidfVectorizer(stop_words=stpwrdlst, sublinear_tf=True, max_df=0.5,vocabulary=trainbunch.vocabulary)
  36. tfidfspace.tdm = vectorizer.fit_transform(bunch.contents)
  37. else:
  38. vectorizer = TfidfVectorizer(stop_words=stpwrdlst, sublinear_tf=True, max_df=0.5)
  39. tfidfspace.tdm = vectorizer.fit_transform(bunch.contents)
  40. tfidfspace.vocabulary = vectorizer.vocabulary_
  41. _writebunchobj(space_path, tfidfspace)
  42. print "tf-idf词向量空间实例创建成功!!!"
  43. if __name__ == '__main__':
  44. # stopword_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204/chinese_text_classification-master/train_word_bag/hlt_stop_words.txt"#输入的文件
  45. # bunch_path = "train_word_bag/train_set.dat"#输入的文件
  46. # space_path = "train_word_bag/tfdifspace.dat"#输出的文件
  47. # vector_space(stopword_path,bunch_path,space_path)
  48. #
  49. # bunch_path = "test_word_bag/test_set.dat"#输入的文件
  50. # space_path = "test_word_bag/testspace.dat"
  51. # train_tfidf_path="train_word_bag/tfdifspace.dat"
  52. # vector_space(stopword_path,bunch_path,space_path,train_tfidf_path)
  53. stopword_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204_tenwhy/chinese_text_classification-master/train_word_bag/hlt_stop_words.txt"#输入的文件
  54. train_bunch_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204_tenwhy/chinese_text_classification-master/train_word_bag/train_set.dat"#输入的文件
  55. space_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204_tenwhy/chinese_text_classification-master/train_word_bag/tfidfspace.dat"#输出的文件
  56. vector_space(stopword_path,train_bunch_path,space_path)
  57. train_tfidf_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204_tenwhy/chinese_text_classification-master/train_word_bag/tfidfspace.dat"  # 输入的文件,由上面生成
  58. test_bunch_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204_tenwhy/chinese_text_classification-master/test_word_bag/test_set.dat"#输入的文件
  59. test_space_path = "/home/appleyuchi/PycharmProjects/MultiNB/csdn_blog/54891204_tenwhy/chinese_text_classification-master/test_word_bag/testspace.dat"#输出的文件
  60. vector_space(stopword_path,test_bunch_path,test_space_path,train_tfidf_path)

4.py

#!/usr/bin/env python
# -*- coding: UTF-8 -*-  import sys
reload(sys)
sys.setdefaultencoding('utf-8')  import cPickle as pickle
from sklearn.naive_bayes import MultinomialNB  # 导入多项式贝叶斯算法  # 读取bunch对象
def _readbunchobj(path):  with open(path, "rb") as file_obj:  bunch = pickle.load(file_obj)  return bunch  # 导入训练集
trainpath = "../train_word_bag/tfidfspace.dat"
train_set = _readbunchobj(trainpath)  # 导入测试集
testpath = "../test_word_bag/testspace.dat"
test_set = _readbunchobj(testpath)  # 训练分类器:输入词袋向量和分类标签,alpha:0.001 alpha越小,迭代次数越多,精度越高
# clf = MultinomialNB(alpha=0.1).fit(train_set.tdm, train_set.label)  ######################################################  from sklearn import tree
print '*************************决策树************************'  clf = tree.DecisionTreeClassifier()
clf.fit(train_set.tdm, train_set.label)  # 预测分类结果  print '*************************开始预测************************'
predicted = clf.predict(test_set.tdm)  for flabel,file_name,expct_cate in zip(test_set.label,test_set.filenames,predicted):  if flabel != expct_cate:  print file_name,": 实际类别:",flabel," -->预测类别:",expct_cate  print "预测完毕!!!"  # 计算分类精度:
from sklearn import metrics
def metrics_result(actual, predict):  print '精度:{0:.3f}'.format(metrics.precision_score(actual, predict,average='weighted'))  print '召回:{0:0.3f}'.format(metrics.recall_score(actual, predict,average='weighted'))  print 'f1-score:{0:.3f}'.format(metrics.f1_score(actual, predict,average='weighted'))  metrics_result(test_set.label, predicted)  

依然使用复旦大学的新闻数据集

运行结果(这里复制一部分):

../test_corpus_seg/C37-Military/C37-Military008.txt : 实际类别: C37-Military  -->预测类别: C11-Space
../test_corpus_seg/C37-Military/C37-Military031.txt : 实际类别: C37-Military  -->预测类别: C38-Politics
../test_corpus_seg/C37-Military/C37-Military101.txt : 实际类别: C37-Military  -->预测类别: C38-Politics
../test_corpus_seg/C37-Military/C37-Military006.txt : 实际类别: C37-Military  -->预测类别: C32-Agriculture
../test_corpus_seg/C37-Military/C37-Military125.txt : 实际类别: C37-Military  -->预测类别: C29-Transport
预测完毕!!!
精度:0.878
召回:0.879
f1-score:0.878

决策树(CART算法)针对中文文本分类相关推荐

  1. 随机森林针对中文文本分类

    改编自博客: http://blog.csdn.net/github_36326955/article/details/54891204 做个笔记 代码按照1 2 3 4的顺序进行即可: 1.py(c ...

  2. LogisticRegression针对中文文本分类

    改编自博客: http://blog.csdn.net/github_36326955/article/details/54891204 做个笔记 代码按照1 2 3 4的顺序进行即可: 1.py(c ...

  3. SVM针对中文文本分类

    改编自博客: http://blog.csdn.net/github_36326955/article/details/54891204 做个笔记 代码按照1 2 3 4的顺序进行即可: 1.py(c ...

  4. KNN针对中文文本分类

    改编自博客: http://blog.csdn.net/github_36326955/article/details/54891204 做个笔记 代码按照1 2 3 4的顺序进行即可: 1.py(c ...

  5. tensorflow2.0五种机器学习算法对中文文本分类

    向AI转型的程序员都关注了这个号

  6. python 文本分类卡方检验_中文文本分类:你需要了解的10项关键内容

    文本分类指的是计算机通过算法对输入的文本按照一定的类目体系进行自动化归类的过程.在人工智能浪潮席卷全球的今天,文本分类技术已经被广泛地应用在文本审核.广告过滤.情感分析和反黄识别等NLP领域.本文从达 ...

  7. 02-23 决策树CART算法

    文章目录 决策树CART算法 决策树CART算法学习目标 决策树CART算法详解 基尼指数和熵 CART算法对连续值特征的处理 CART算法对离散值特征的处理 CART算法剪枝 生成剪枝后的决策树 选 ...

  8. python中文文本分析_基于CNN的中文文本分类算法(可应用于垃圾邮件过滤、情感分析等场景)...

    基于cnn的中文文本分类算法 简介 参考IMPLEMENTING A CNN FOR TEXT CLASSIFICATION IN TENSORFLOW实现的一个简单的卷积神经网络,用于中文文本分类任 ...

  9. 详解CNN实现中文文本分类过程

    摘要:本文主要讲解CNN实现中文文本分类的过程,并与贝叶斯.决策树.逻辑回归.随机森林.KNN.SVM等分类算法进行对比. 本文分享自华为云社区<[Python人工智能] 二十一.Word2Ve ...

最新文章

  1. 《Java编程思想》学习笔记(三)——初始化与清理
  2. Mac-OSX的Python3.5虚拟环境下安装Opencv
  3. servlet session listener
  4. 服务器系统ghost版 raid,服务器在raid5下做系统ghost备份.docx
  5. Spring Boot JdbcTemplate 入门
  6. Leet Code OJ 26. Remove Duplicates from Sorted Array [Difficulty: Easy]
  7. C#将LINQ数据集转换为Datatable
  8. python2与python3在windows下共存
  9. 从0-1入门python爬虫,看这篇就够了!
  10. mysql 并发_mysql 的读写锁与并发控制
  11. MimoLive for Mac(视频直播制作软件) 支持big sur
  12. 来,看我是如何把面试官问倒的!
  13. 使用CSS控制表单样式/示例演示
  14. 勒索病毒是什么?防勒索病毒我们该怎么做?
  15. 【软考】系统集成项目管理工程师(二)信息系统集成及服务管理
  16. dell主板恢复出厂设置_如何清除DELL电脑主板CMOS信息并恢复默认设置
  17. js逆向爬虫入门-01.微信公众平台模拟登录逆向
  18. wincc安装信息服务器,wincc客户端与服务器配置
  19. vs2008简体中文正式版序列号和下载地址
  20. 计算机统计各职称人数,用公式计算出各年教师的总人数和各职称的百分比

热门文章

  1. 阿里巴巴常考面试题及汇总答案
  2. XCTF-MISC-新手区-base64stego
  3. python列表的索引算法_Python-确定列表是否对称的算法
  4. JQuery对象与DOM对象
  5. 把知识变成图谱一共需要花几步?89页全网最全清华知识图谱报告-学习笔记
  6. CSS改变插入光标颜色
  7. JAVA调用HTTP接口
  8. ionic4集成高德地图
  9. Flutter 动画组件
  10. TreeView控件的展开与折叠