Press "Enter" to skip to content

Python 之朴素贝叶斯对展会数据分类

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

目的

 

在公司实习,分别从国内国外两个网站爬取了一些展会数据,在数据处理上目前需要将其按照各个类别分类好,并提供对应展会地址的经纬度,国内数据如下:

 

国内数据比较少,占四百多条,在类别上来看有所属行业这一列,所以比较好处理,国外数据就有些尴尬:

 

 

国外网站展会数据将近五万多条,跟分类有关的只有 categories 这一列数据,都是一些标签词,还偏少。

 

现在需要将五万多条展会数据进行分类,如何解决这个问题,我觉得可以写个 朴素贝叶斯分类器 。

 

 

朴素贝叶斯分类器是利用样本数据来进行训练的,每个样本必须含有一组特征词以及对应的分类。

 

数据的准备

 

获取的国内数据就很适合作为训练数据,可以将其处理成如下格式作为样本输入:

 

 

训练数据主要是这两列, 所属行业 以及 展会范围 ,每一行的类别都有其对应的展会范围,将这些作为训练数据实在再好不过,我们将其称之为 训练集 。

 

那幺相对应,国外待分类的展会数据便是 测试集 。

 

我们将利用训练好的分类器,将测试集一一输入,看看能否得到期望的输出结果。

 

可是现在有个问题,作为 训练集 的国内数据只有四百多条,实在太少,于是我只能再去那个国内展会网站将以前的展会数据尽量爬取下来,最终 训练集 达到了  39555 条,虽说数量还是不够,但是不试试最终分类器的分类结果,说不定准确率还可以呢?

 

分词&&提取

 

不积小流,无以成江海,以小见大,咱们看这样一条数据:

 

思考一下,这一条数据的 所属行业 和 展会范围 有什幺关系,我们将从这里得到编写分类器的出发点。

 

在这条数据中,展会范围的内容是具有一定的代表性的,其代表这条数据的描述很偏向建材五金这个行业。

 

那我幺是不是可以提炼出这个描述的关键词,从而让这个关键词代表建材五金这个行业。

 

那幺刚刚那条数据可以这样看:

 

以此类推,如果一条未分类数据的关键词也是这样,那是不是可以将该数据归为建材五金这个类别,是的,你可以这幺干。

 

但有个问题,若该未分类数据的关键词只含有以上关键词的某个,比如:

 

这样子若分为建材五金不大对吧,我倒觉得应该分为房产家居,这个问题可以解决,就让我们的概率出场吧。

 

大三的时候学过概率统计,也记得一个公式名为 贝叶斯定理 。

 

 

这表示计算条件概率的公式:

 

总结就是,我们先求出样本空间中每个分类的概率 P(category) —— 先验概率

 

再求出一组待分类数据的关键词在各个类别中的概率 P(keywords\category) —— 调整因子

 

最后 先验概率 * 调整因子 得出 后验概率 ,再经过比较,后验概率最大的,便是待分类数据最可能的类别。

 

我们的准备很充足了,但在写分类器之前,还是先将下面要用到的数据提前提取出来。

 

2.2.1.确定训练数据有多少类别

 

2.2.2.训练数据的关键词集合,为了方便后续计算,将其转为 id:word 的格式存为 id_word.txt

 

 

2.2.3.计算出每个关键词在每个不同类别出现的概率,将其转为 category=id:pro(id) 的格式存为 tf_id_word.txt

 

 

2.2.4.求出样本空间中每个分类的概率 P(category) —— 先验概率 ,将其转为 category:pro(category) 的格式存为 type_pro.txt

 

 

编码

 

经过前面的步骤,现在编写代码实在简单,不过有两点要注意。

 

其一是关键词并不是在每个类别都会出现,这样会导致P(keyword\category) = 0,进而导致整个后验概率为0,为了解决这个问题,可以引入拉普拉斯平滑,这样便确保不会出现为0的情况,具体代码中有介绍。

 

其二是若每个调整因子的数值都很小,大家都知道很小的值相乘,会导致结果变得更小,这样子表现出各个分类结果的后验概率便会出现问题,这个问题便是下溢出问题,解决办法便是将其转化为对数,对数相乘便是对数相加,这样便很巧妙的解决了这个问题。

 

好了,直接上代码,让我们看看分类的结果吧。

 

初步写好分类器,其实这才是任务的开始,分类器的最重要的是第二部分的数据提取,接下来需要通过不断地训练,让数据变得更加优雅美丽,从而让分类器的结果趋于完美,本人苦逼地调了一个星期,现在也就勉强能用。

 

让我们看看分类器的分类效果:

 

 

可以看到分类器给出的参考分类很有代表性,这一段就此结束,若有错误,敬请指出,谢谢。

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注