-
Notifications
You must be signed in to change notification settings - Fork 0
/
main.py
267 lines (162 loc) · 6.82 KB
/
main.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
# -*- coding: utf-8 -*-
import numpy as np
import os
import re
import random as rd
import getopt, sys
import nltk
#nltk.download('punkt')
import pickle #Para guardar archivos
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score
from sklearn.metrics import recall_score
from sklearn.metrics import precision_score
from tfidf import *
from bigrama import *
from scipy import sparse
lista = os.listdir()
r = re.compile("^europarl-v7.*$")#"^europarl-v7(?!.*\.en$).*$"
ficheros = list(filter(r.findall, lista))
normalize = 0
model = 0
# Remove 1st argument from the
# list of command line arguments
argumentList = sys.argv[1:]
# Options
options = "nm:"
# Long options
long_options = ["normalize", "model ="]
try:
# Parsing argument
arguments, values = getopt.getopt(argumentList, options, long_options)
# checking each argument
for currentArgument, currentValue in arguments:
if currentArgument in ("-n", "--normalize"):
normalize = 1
elif currentArgument in ("-m", "--model"):
model = int(currentValue)
except getopt.error as err:
# output error, and return with an error code
print (str(err))
idiomas = [
'Aleman',
'Español',
'Frances',
'Italiano',
'Polaco',
'Ingles'
]
idiomas = idiomas.sort()
corpus_train = [[] for i in range(len(ficheros))]
corpus_val = [[] for i in range(len(ficheros))]
porcentaje_extraccion = 0.01
frases_entrenamiento = int(110000 * porcentaje_extraccion)
frases_test = int(10000 * porcentaje_extraccion)
for idx,val in enumerate(ficheros):
with open(val, encoding="utf8") as var:
texto = var.readlines()
for i in range(frases_test):
al = rd.randint(0,10)
corpus_val[idx].append( texto[al+ 11*i] )
corpus_train[idx] = corpus_train[idx] + texto[0 + 11*i:al + 11*i] + texto[al+1 + 11*i :11 + 11*i]
#Normalización
def normaliza(corpus_train,corpus_val):
#Todo a minuscula
corpus_train = [[j.lower() for j in i] for i in corpus_train]
corpus_val = [[j.lower() for j in i] for i in corpus_val]
#Todos los simbolos que no sean apostrofes no son utiles
#Un apostrofe que aparezca solo es inutil, pero si aparece entre palabras no
#Numeros en general no dan significado, si siquiera aun estando en una palabra
corpus_train = [[re.sub(r'(\s[\']\s)|([0-9])|[!"#$%&()*+,-./:;<=>?@\[\\\]^_`{|}~]', '', j) for j in i] for i in corpus_train]
corpus_val = [[re.sub(r'(\s[\']\s)|([0-9])|[!"#$%&()*+,-./:;<=>?@\[\\\]^_`{|}~]', '', j) for j in i] for i in corpus_val]
return corpus_train, corpus_val
corpus_train, corpus_val = normaliza(corpus_train, corpus_val)
#100 palabras más frecuentes de cada idioma
freq100 = [nltk.FreqDist(nltk.word_tokenize(' '.join(i))).most_common(100) for i in corpus_train]
word100 = [[j[0] for j in i] for i in freq100]
if(normalize):
#filtrar frases inutiles
corpus_train = [[] for i in range(len(ficheros))]
corpus_val = [[] for i in range(len(ficheros))]
for idx,val in enumerate(ficheros):
with open(val, encoding="utf8") as var:
texto = var.readlines()
#Lo nuevo
Excluidos = list(np.concatenate(word100[:idx] + word100[idx+1:]))
aux = []
i = 0
while(len(aux) < frases_entrenamiento):
if(nltk.word_tokenize(texto[i]) not in Excluidos):
aux.append(texto[i])
i+=1
texto = aux
for i in range(frases_test):
al = rd.randint(0,10)
corpus_val[idx].append( texto[al+ 11*i] )
corpus_train[idx] = corpus_train[idx] + texto[0 + 11*i:al + 11*i] + texto[al+1 + 11*i :11 + 11*i]
corpus_train, corpus_val = normaliza(corpus_train, corpus_val)
#Normalizacion y extracción de características TF-IDF
if(model == 0): #TF-IDF scratch
vectorizer = tfidf(20)
#Concatenamos las frases para dejar una matriz con los idiomas
corpus_train_unido = [' '.join(i) for i in corpus_train]
TF_IDF = vectorizer.fit_transform(corpus_train_unido)
#MODELO SIMPLE DE CLASIFICACION
#Vectorizamos con el modelo anterior un documento, y hacemos el producto escalar con la columna idioma de la matriz tf_idf, el que de un producto escalar
# mas alto gana pues sera el que este más cerca
def clasifica(modelo, TF_IDF,X_test):
features = modelo.transform(X_test)
resultado = np.dot(np.array(TF_IDF),np.array(features).T)
h = np.argmax(resultado, axis = 0)
h = np.squeeze(np.asarray(h))
return h
corpus_val_unido = np.concatenate(corpus_val)
y_pred = clasifica(vectorizer,TF_IDF,corpus_val_unido)
y_test = np.ones(frases_test*len(ficheros))
for i in range(len(ficheros)):
y_test[i*frases_test:(i+1)*frases_test] = i
elif(model == 1):#bigrama scratch
clf = bigrama(2)
clf.entrena(corpus_train)
corpus_val_unido = np.concatenate(corpus_val)
y_pred = clf.clasifica(corpus_val_unido)
y_test = np.ones(frases_test*len(ficheros))
for i in range(len(ficheros)):
y_test[i*frases_test:(i+1)*frases_test] = i
elif(model == 2):
from sklearn.feature_extraction.text import TfidfVectorizer
vec = TfidfVectorizer(min_df = 20)
corpus_train_unido = np.concatenate(corpus_train)
corpus_val_unido = np.concatenate(corpus_val)
X_train= vec.fit_transform(corpus_train_unido)
X_test = vec.transform(corpus_val_unido)
y_test = np.ones(frases_test*len(ficheros))
y_train = np.ones((frases_entrenamiento-frases_test)*len(ficheros))
for i in range(len(ficheros)):
y_test[i*frases_test:(i+1)*frases_test] = i
y_train[i*(frases_entrenamiento-frases_test):(i+1)*(frases_entrenamiento-frases_test)] = i
from sklearn.tree import DecisionTreeClassifier
tree = DecisionTreeClassifier()
tree.fit(X_train,y_train)
y_pred = tree.predict(X_test)
#Podemos saber que tokens han sido los más determinantes
print('********PALABRAS MAS RELEVANTES PARA DIFERENCIAR ENTRE IDIOMAS********')
n_tok = 10
index = np.argsort(tree.feature_importances_)
tok = [index[-i-1] for i in range(n_tok)]
important = [vec.get_feature_names()[i] for i in tok]
print(important)
else:
print('ERROR')
#Analisis del rendimiento del modelo
modelos = ["TF-IDF from-scratch", "bigram from-scratch","sklearn TF-IDF"]
norm = ["sin limpiar corpus","corpus limpio"]
print("********Rendimiento "+ modelos[model]+" "+norm[normalize]+" ********")
print('Matriz de confusion')
print(confusion_matrix(y_test, y_pred))
# Accuracy
print('Accuracy: ',accuracy_score(y_test, y_pred))
# Recall
print('Recall (por idioma): ',recall_score(y_test, y_pred, average=None))
# Precision
print('Precision (por idioma): ',precision_score(y_test, y_pred, average=None))