如何用机器学习对文本分类

需求

使用监督学习对历史数据训练生成模型，用于预测文本的类别。

样本清洗

主要将重复的数据删除掉，将错误无效的数据纠正或删除，并检查数据的一致性等。比如我认为长度小于少于13的数据是无效的遂将之删掉。

def writeFile(text):
file_object = open('result.txt','w')
file_object.write(text)
file_object.close()

def clear():
text = ""
file_obj = open("deal.txt")
list_of_lines = file_obj.readlines()
for line in list_of_lines:
if(len(line)>13):
text += line
writeFile(text)
file_obj.close()

定好类别集合

按照样本集人工做好分类，比如分为以下几类：

编号	类别
1	环保
2	交通
3	手机
4	法律
5	汽车

分类词库

特征提取涉及到文本分词，由搜狗http://pinyin.sogou.com/dict/可以搜索各种类别的词汇，自己下载下来再整理，它的格式为scel，可以使用深蓝词汇转换工具转成txt方便使用。

常用算法

朴素贝叶斯

Rocchio

SVM

KNN

决策树

神经网络

这里选择用SVM，SVM本质上其实也就是一种特殊的两层神经网络，具有高效的学习算法。

特征集

使用SVM分类时其中一项重要的工作就是要确定特征集，只有特征集确定好了才能往下计算，那么怎么确定特征集呢？一般的做法可以是将所有样本的词都提取出来作为特征集。比如我们有两个文本

“小学生上学”和“股票大跌”，那特征集就是{“小学生”,”上学”,”股票”,”大跌”}。

特征权重

特征集确定就可以看成是向量的维数，而对于每个样本来说就需要确定每个维度的值了，这个值可以看成是特征的权重，常常用TF-IDF作为值。TF-IDF又是什么？简单来说TF就是某文档中某个term出现的次数，而IDF即逆文档频率，可由下面公式计算：

IDF=log(Tt)

其中，T为统计样本中总文档数，t为包含某term的文档数。

TF和IDF的相乘则为特征权重。

特征降维

当统计样本越来越多且每个样本都比较大时，这时可能会导致特征维度特别大。所以可能会要对特征集进行降维处理。特征降维其实就是将一些几乎没影响的维度去掉，以避免维度灾难。有比较多处理方式：比如可以直接定义一个无意义词库将一些没意义的单词去掉、或以词频作为依据选择出代表性的单词、或以其他算法提取出若干热词作为代表性单词、或用经典的卡方校验算法选择代表性单词，以上方式都可以达到降维效果。

代码

机器学习库很多，可以选一个自己比较熟悉的且叫有名的库来实现，关键的代码如下：

double[][] samples = 所有样本特征集及权重数组
int labelInt[] = 分类标签数组
SVM<double[]> svm =
new SVM<double[]>(new LinearKernel(), 1.0, 12, SVM.Multiclass.ONE_VS_ALL);
svm.learn(samples, labels);
svm.finish();

double[] test = 测试数据的特征集及权重数组
svm.predict(x)

参数

SVM参数需要选择的主要有两个：核函数和惩罚因子。主要的核函数包括RBF核、线性核、多项式核和Sigmoid核，文本分类中一般可选线性核。惩罚因子用来惩罚分错的样本，惩罚因子越大说明越重视损失，不断增大它最终总能让所有样本都正确分类，但这可能会存在过拟合，影响后面的泛化能力。

====广告时间，可直接跳过====

公众号的菜单已分为“分布式”、“机器学习”、“深度学习”、“NLP”、“Java深度”、“Java并发核心”、“JDK源码”、“Tomcat内核”等，可能有一款适合你的胃口。

鄙人的新书《Tomcat内核设计剖析》已经在京东销售了，有需要的朋友可以购买。感谢各位朋友。

为什么写《Tomcat内核设计剖析》

=========================

欢迎关注：