Compare with MultinomialNB / SVM / Decision tree(CART)

Compare MultinomialNB、SVM、Decision tree(CART) with f1-scrore、precision、recall

• Using TFIDF( term frequency–inverse document frequency) for vectorized.
• Using 10-fold for cross validation to get the better split.

首先import要用到的package，接著就可以開始我們的分析

import pandas as pd
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import KFold
from sklearn import metrics

1. Data preprocessing

今天的目標是要從新聞報導中，正確的分類至相對應的文章類別，有三種類別分別是Sports, Politics, Health，接著我會用三種不同的分類器，來看看三者的效能差異。

首先，先來看看資料長怎樣呢

可以看得出來是直接爬下來的data，每段的開頭是他的分類，那我們把它存成excel格式並分成categorize和content兩類。

colnames = ['categorize', 'content']
news = pd.read_csv('news_files.csv',names=colnames,encoding = 'utf8')

現在我們的資料存進去news的dataframe了，為了方便我們分類，將三種類別標示為0, 1, 2 並存到target的column

news['target'] = pd.Series(0, index=news.index)
news_data =news.iloc[:6000]

如果直接做slicing存過去，可能會遇到error — SettingWithCopyWarning，所以我們用.at填值

for i in range(len(news_data)+1):
 if news_data.iloc[i]['categorize']=='sports':
 news_data.at[i,'target'] = 0
 elif news_data.iloc[i]['categorize']=='politics':
 news_data.at[i,'target'] = 1
 else:
 news_data.at[i,'target'] = 2

2. KFold

怎麼分training和validation的data是個很重要的議題，分得好不好會影響到我們模型效能，我們這邊用KFold來分，但同時我也寫了Random分類後的結果，這邊是random分類的function，需要的也可以測試看看。

def Separate_TrainAndTest(data_raw):
 n=int(data_raw.shape[0])
 tmp_train=(np.random.rand(n)>=0.5)
 return data_raw.iloc[np.where(tmp_train==True)[0]],data_raw.iloc[np.where(tmp_train==False)[0]]

他的效能如下

接著我們繼續本文的部分，這邊希望用KFold就是為了避免依賴某一特定的訓練和測試資料產生偏差，那我們快速看一下KFold是怎麼做

我們將資料分成 10 等份，從Round 1開始先拿第 1 等分用來做Validation，其餘拿來training，下一輪我們繼續拿第 2 等分做Validation，其餘 9 份一樣拿來訓練，總共做 10 次，如果想要取不同的fold也可以，但是10次是比較普遍的用法，也不會訓練太久。

接著將10次的Accuracy平均，所得到平均值，我們可以自信的說這個數值就是我們的準確度，相對隨機來的沒有偏差。

實作 Time.

這邊用sklearn裡面的KFold，裡面的引數設定是KFold(n_splits=’warn’, shuffle=False, random_state=None)，想知道更詳細的話，詳見： https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.KFold.html

from sklearn.naive_bayes import MultinomialNB

kfold = KFold(10, True)
predicted = []
expected = []

for train, test in kfold.split(np.arange(len(news_data))+1):
 # train、test為index
 news_train = news_data.iloc[train]
 news_test = news_data.iloc[test]

上面我們用predicted和expected分別存10次的結果給後面做評分用

3. Vectorized

接下來是向量化(vectorized)的部分，這邊用的是TF-IDF，此演演算法包含了兩個部分： 詞頻 （term frequency，TF）跟 逆向檔案頻率 （inverse document frequency，IDF）。

詞頻指的是某一個給定的詞語在該檔案中出現的頻率，第t個詞出現在第d篇檔案的頻率記做

舉例來說，如果檔案 1 總共有100個字，而第 1 個字在檔案 1 出現的次數是12次，因此

而逆向檔案頻率則是用來處理常用字的問題。假設詞彙t總共在第d篇文章中出現過，則詞彙t的 IDF 定義成

舉例來說，假設文字 1 總共出現在 25 篇不同的檔案，則

所以如果詞彙t在非常多篇文章中都出現過，代表dt很大，此時idf就會比較小。

接著，我們將第t個詞彙對於第d篇檔案的TF-IDF權重定義為

如此一來， 當詞彙t很常出現在檔案d時，他的tf項就會比較大，而如果詞彙t也很少出現在其他篇文章，則idf項也會比較大，使Wtd整體來說更大，代表詞彙t對於檔案d來說是很重要的 。

實作 Time.

這邊用sklearn.feature_extraction.text的TfidfVectorizer()直接計算，要注意的是需要將格式轉換成unicode，以下我以astype轉換

vectorizer = TfidfVectorizer()
 vectors_training = vectorizer.fit_transform(news_train['content'].values.astype('U'))
 vectors_test = vectorizer.transform(news_test['content'].values.astype('U'))

4. Classification

終於到了最後分類的階段，這邊會接續從MultinomialNB、SVM、CART分別進行training，並直接使用metric來計算三個分數，再分別列出，詳細的公式先不在這篇文章討論~

model = MultinomialNB(alpha=.01)
 model.fit(vectors_training,news_train.target)

 expected.extend(news_test.target)
 predicted.extend(model.predict(vectors_test))

print("---------Naive Bayes---------") 
print("Macro-average: {0}".format(metrics.f1_score(expected,predicted,average='macro')))
print("Micro-average: {0}".format(metrics.f1_score(expected,predicted,average='micro')))
print(metrics.classification_report(expected,predicted))
print(metrics.confusion_matrix(expected, predicted))

from sklearn import svm
predicted = []
expected = []
for train, test in kfold.split(np.arange(len(news_data))+1):
 news_train = news_data.iloc[train]
 news_test = news_data.iloc[test]

 vectorizer = TfidfVectorizer()
 vectors_training = vectorizer.fit_transform(news_train['content'].values.astype('U'))
 vectors_test = vectorizer.transform(news_test['content'].values.astype('U'))

 model = svm.SVC(kernel = 'linear')
 model.fit(vectors_training,news_train.target)
 #test process
 #SVM
 expected.extend(news_test.target)
 predicted.extend(model.predict(vectors_test))

print("---------SVM---------") 
print("Macro-average: {0}".format(metrics.f1_score(expected,predicted,average='macro')))
print("Micro-average: {0}".format(metrics.f1_score(expected,predicted,average='micro')))
print(metrics.classification_report(expected,predicted,target_names = ['sports','politics','health'] ))

from sklearn import tree
predicted = []
expected = []
for train, test in kfold.split(np.arange(len(news_data))+1):
 news_train = news_data.iloc[train]
 news_test = news_data.iloc[test]
 vectorizer = TfidfVectorizer()

 vectors_training = vectorizer.fit_transform(news_train['content'].values.astype('U'))
 vectors_test = vectorizer.transform(news_test['content'].values.astype('U'))

 model = tree.DecisionTreeClassifier() #不調引數 default = CART
 model.fit(vectors_training,news_train.target)

 # predict
 expected.extend(news_test.target)
 predicted.extend(model.predict(vectors_test))

#Decision Tree
print("---------Decision Tree---------")
print("Macro-average: {0}".format(metrics.f1_score(expected,predicted,average='macro')))
print("Micro-average: {0}".format(metrics.f1_score(expected,predicted,average='micro')))
print(metrics.classification_report(expected,predicted,target_names = ['sports','politics','health'] ))
print("-----------------------------")

Conclusion

很明顯的可以看到用10-fold所得到的結果比Random好很多，其中Accuracy又以SVM>NB>Decision Tree，但是SVM需要的時間也相對多很多，所以就看怎麼取決了，本文為第一個NLP的小實驗，有甚麼建議可以留言哦~