机器学习之文本分类（附带训练集+数据集+所有代码）_文本分类数据集

我本次对4类文本进行分类（（所有截图代码和数据集最后附带免费下载地址））

主要步骤：

 1.各种读文件，写文件

 2.使用jieba分词将中文文本切割

 3.对处理之后的文本开始用TF-IDF算法进行单词权值的计算

 4.去掉停用词

 5.贝叶斯预测种类

文本预处理：

 除去噪声，如：格式转换，去掉符号，整体规范化

 遍历的读取一个文件下的每个文本

中文分词

中文分词就是将一句话拆分为各个词语，因为中文分词在不同的语境中歧义较大，所以分词极其重要。
原型：我今天中午吃的小面。

分词：我、今天、中午、吃、的、小面。

其中  我、的   两个分词属于停用词（停用词后面讲）

我们本次才用jieba分词来进行辅助，那么jieba分词有这么几个类型

1.精确模式，试图将句子最精确的起开，适合文本分析。
2.全模式，把句子中所有的可以成词的词语都扫描出来，速度非常快，但是不能解决歧义。

3.搜索引擎模式，再将却模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词

        #精确模式: 我/ 去过/ 清华大学/ 和/ 北京大学/ 。
        #全模式: 我/ 去过/ 清华/ 清华大学/ 华大/ 大学/ 和/ 北京/ 北京大学/ 大学/ / 
        #搜索引擎模式: 我/ 去过/ 清华/ 华大/ 大学/ 清华大学/ 和/ 北京/ 大学/ 北京大学/ 。 

本程序使用的是（默认）精准模式，当然jieba还有很多种模式，大家可以自行查阅

TF-IDF逆文本频率指数

 概念：是一种统计方法，用以评估一个词对于一个语料库中一份文件的重要程度。词的重要性随着在文件中出现              的次数正比增加，同时随着它在语料库其他文件中出现的频率反比下降。
           就是说一个词在某一文档中出现次数比较多，其他文档没有出现，说明该词对该文档分类很重要。

           然而如果其他文档也出现比较多，说明该词区分性不大，就用IDF来降低该词的权重。

数学算法：

            TF-IDF与一个词在文档中的出现次数成正比，与该词在整个语言中的出现次数成反比
            TF-IDF = TF (词频)   *   IDF(逆文档频率)
            词频：TF = 词在文档中出现的次数 / 文档中总词数

            逆文档频率：IDF = log（语料库中文档总数 / 包含该词的文档数  +1 ）     

避开停用词：

                  

  

贝叶斯分类

朴素贝叶斯分类算法核心：       

    

表达形式：

测试集

                          我手动打乱了里面的分类，这样看他能不能预测出来

代码实现：

#!D:/workplace/python
# -*- coding: utf-8 -*-
# @File  : homework3.py
# @Author: WangYe
# @Date  : 2018/4/22
# @Software: PyCharm
# 微博文字的性别识别
import jieba
import os
import pickle  # 持久化
from numpy import *
from sklearn import feature_extraction
from sklearn.feature_extraction.text import TfidfTransformer  # TF-IDF向量转换类
from sklearn.feature_extraction.text import TfidfVectorizer  # TF_IDF向量生成类
from sklearn.utils import Bunch
from sklearn.naive_bayes import MultinomialNB  # 多项式贝叶斯算法
 
 
def readFile(path):
    with open(path, 'r', errors='ignore') as file:  # 文档中编码有些问题，所有用errors过滤错误
        content = file.read()
        return content
 
 
def saveFile(path, result):
    with open(path, 'w', errors='ignore') as file:
        file.write(result)
 
 
def segText(inputPath, resultPath):
    fatherLists = os.listdir(inputPath)  # 主目录
    for eachDir in fatherLists:  # 遍历主目录中各个文件夹
        eachPath = inputPath + eachDir + "/"  # 保存主目录中每个文件夹目录，便于遍历二级文件
        each_resultPath = resultPath + eachDir + "/"  # 分词结果文件存入的目录
        if not os.path.exists(each_resultPath):
            os.makedirs(each_resultPath)
        childLists = os.listdir(eachPath)  # 获取每个文件夹中的各个文件
        for eachFile in childLists:  # 遍历每个文件夹中的子文件
            eachPathFile = eachPath + eachFile  # 获得每个文件路径
          #  print(eachFile)
            content = readFile(eachPathFile)  # 调用上面函数读取内容
            # content = str(content)
            result = (str(content)).replace("\r\n", "").strip()  # 删除多余空行与空格
            # result = content.replace("\r\n","").strip()
 
            cutResult = jieba.cut(result)  # 默认方式分词，分词结果用空格隔开
            saveFile(each_resultPath + eachFile, " ".join(cutResult))  # 调用上面函数保存文件
 
 
def bunchSave(inputFile, outputFile):
    catelist = os.listdir(inputFile)
    bunch = Bunch(target_name=[], label=[], filenames=[], contents=[])
    bunch.target_name.extend(catelist)  # 将类别保存到Bunch对象中
    for eachDir in catelist:
        eachPath = inputFile + eachDir + "/"
        fileList = os.listdir(eachPath)
        for eachFile in fileList:  # 二级目录中的每个子文件
            fullName = eachPath + eachFile  # 二级目录子文件全路径
            bunch.label.append(eachDir)  # 当前分类标签
            bunch.filenames.append(fullName)  # 保存当前文件的路径
            bunch.contents.append(readFile(fullName).strip())  # 保存文件词向量
    with open(outputFile, 'wb') as file_obj:  # 持久化必须用二进制访问模式打开
        pickle.dump(bunch, file_obj)
        #pickle.dump(obj, file, [,protocol])函数的功能：将obj对象序列化存入已经打开的file中。
        #obj：想要序列化的obj对象。
        #file:文件名称。
        #protocol：序列化使用的协议。如果该项省略，则默认为0。如果为负值或HIGHEST_PROTOCOL，则使用最高的协议版本
def readBunch(path):
    with open(path, 'rb') as file:
        bunch = pickle.load(file)
        #pickle.load(file)
        #函数的功能：将file中的对象序列化读出。
    return bunch
 
 
def writeBunch(path, bunchFile):
    with open(path, 'wb') as file:
        pickle.dump(bunchFile, file)
 
 
def getStopWord(inputFile):
    stopWordList = readFile(inputFile).splitlines()
    return stopWordList
 
 
def getTFIDFMat(inputPath, stopWordList, outputPath):  # 求得TF-IDF向量
    bunch = readBunch(inputPath)
    tfidfspace = Bunch(target_name=bunch.target_name,label=bunch.label, filenames=bunch.filenames, tdm=[],
                       vocabulary={})
    # 初始化向量空间
    vectorizer = TfidfVectorizer(stop_words=stopWordList, sublinear_tf=True, max_df=0.5)
    transformer = TfidfTransformer()  # 该类会统计每个词语的TF-IDF权值
    # 文本转化为词频矩阵，单独保存字典文件
    tfidfspace.tdm = vectorizer.fit_transform(bunch.contents)
    tfidfspace.vocabulary = vectorizer.vocabulary_   #获取词汇
    writeBunch(outputPath, tfidfspace)
 
def getTestSpace(testSetPath, trainSpacePath, stopWordList, testSpacePath):
    bunch = readBunch(testSetPath)
    # 构建测试集TF-IDF向量空间
    testSpace = Bunch(target_name=bunch.target_name, label=bunch.label, filenames=bunch.filenames, tdm=[],
                      vocabulary={})
    # 导入训练集的词袋
    trainbunch = readBunch(trainSpacePath)
    # 使用TfidfVectorizer初始化向量空间模型  使用训练集词袋向量
    vectorizer = TfidfVectorizer(stop_words=stopWordList, sublinear_tf=True, max_df=0.5,
                                 vocabulary=trainbunch.vocabulary)
    transformer = TfidfTransformer()
    testSpace.tdm = vectorizer.fit_transform(bunch.contents)
    testSpace.vocabulary = trainbunch.vocabulary
    # 持久化
    writeBunch(testSpacePath, testSpace)
 
def bayesAlgorithm(trainPath, testPath):
    trainSet = readBunch(trainPath)
    testSet = readBunch(testPath)
    clf = MultinomialNB(alpha=0.001).fit(trainSet.tdm, trainSet.label)
    #alpha:0.001 alpha 越小，迭代次数越多，精度越高
    #print(shape(trainSet.tdm))  #输出单词矩阵的类型
    #print(shape(testSet.tdm))
    predicted = clf.predict(testSet.tdm)
    total = len(predicted)
    rate = 0
    for flabel, fileName, expct_cate in zip(testSet.label, testSet.filenames, predicted):
        if flabel != expct_cate:
            rate += 1
            print(fileName, ":实际类别：", flabel, "-->预测类别：", expct_cate)
    print("erroe rate:", float(rate) * 100 / float(total), "%")
 
 
# 分词，第一个是分词输入，第二个参数是结果保存的路径
segText("C:/Users/wy/Desktop/data/", "C:/Users/wy/Desktop/segResult/")
bunchSave("C:/Users/wy/Desktop/segResult/", "C:/Users/wy/Desktop/train_set.dat")  # 输入分词，输出分词向量
stopWordList = getStopWord("C:/Users/wy/Desktop/stop/stopword.txt")  # 获取停用词
getTFIDFMat("C:/Users/wy/Desktop/train_set.dat", stopWordList, "C:/Users/wy/Desktop/tfidfspace.dat")  # 输入词向量，输出特征空间
 
# 训练集
segText("C:/Users/wy/Desktop/test1/", "C:/Users/wy/Desktop/test_segResult/")  # 分词
bunchSave("C:/Users/wy/Desktop/test_segResult/", "C:/Users/wy/Desktop/test_set.dat")
getTestSpace("C:/Users/wy/Desktop/test_set.dat", "C:/Users/wy/Desktop/tfidfspace.dat", stopWordList, "C:/Users/wy/Desktop/testspace.dat")
bayesAlgorithm("C:/Users/wy/Desktop/tfidfspace.dat", "C:/Users/wy/Desktop/testspace.dat")

结果截图：

从结果看出，手动添加的错误都预测出来了，谢谢大家~

参考文献：https://www.jianshu.com/p/915b0ab166e5

数据集(数据集和代码尽量放一起，注意修改文件路径，不想修改路径的就看下面的新博客，有相对路径的代码)：

链接：https://pan.baidu.com/s/15OCvT-XavXB6mWQeFVtSEw 
提取码：57ax

--------------------------------------------------分割线2019.5.29日更新---------------------------------------------------------------------------------------

有很多同学加我微信问道dat文件的内容以及想查看词向量，词频矩阵等等详细信息，或者有同学对我代码的路径非常不熟悉很难修改为自己的路径，也有同学出现python的一些小bug，这里放出一个新的博客链接，我将文件的路径换为相对路径，并将dat文件转换为txt文件输出，方便大家查阅或者学习NLP的知识，还放出了大家运行我代码可能出现的一些基础问题，欢迎大家查看，留言，评论，共同学习。新博客我保证你代码一下载下来什么都不用改就能运行（只要python环境没问题）

新博客链接：（已修改）机器学习之文本分类（附带训练集+数据集+所有代码）_懒骨头707-CSDN博客

--------------------------------------------------分割线 2019.6.20日更新---------------------------------------------------------------------------------------

竟然有人私聊问我要我当时做这个玩意儿当时的PPT！！！而且还说当天晚上就要交作业！！！来不及自己做了！！！！

PPT下载链接：基于机器学习的文本分类.pptx-机器学习文档类资源-CSDN下载 (CSDN积分下载，积分多的麻烦给我送点)

没CSDN积分的百度云下载：

链接：https://pan.baidu.com/s/17hT5UTB9VM0nWhrfVfkkzg 
提取码：810f 

PPT是2018年做的，而且当时水平有限，应急交作业的就拿去吧，我已经把我学校的水印还有我个人信息都去掉了。有时间的还是自己好好做一个吧，毕竟我PPT很水的。

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------

-------------------------------------------------分割线2020.11.29日更新---------------------------------------------------------------------------------------

许多人对于这个输出错误率不是非常认同，希望看到一种输入一段话，然后直接输出类别的那种，例如下图：

所以，我更新了博客，点击即可，只换代码，数据什么的都不用动。

链接：机器学习文本分类（实时预测）_懒骨头707-CSDN博客

--------------------------------------------------------------------------------------------------------------------------------------------------------------------------

由于提问评论人太多，这里我留下个人微信：wy1119744330     

添加好友请备注姓名+单位 （我也会告诉你我的名字）例如：张三（xx大学）

加的人太多了，我得改备注了，不然分不清楚了

我也是菜鸟一个，如果数据集或者代码有什么问题欢迎留言，我都会回复的~