forked from antongolubev5/TextClassification
-
Notifications
You must be signed in to change notification settings - Fork 0
/
svm_multi_embeddings.py
393 lines (326 loc) · 15.4 KB
/
svm_multi_embeddings.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
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
import os
import time
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
from mpl_toolkits.mplot3d import Axes3D
from nltk import word_tokenize, PorterStemmer
from sklearn.decomposition import PCA
from sklearn.manifold import TSNE
from sklearn.model_selection import train_test_split
from sklearn.multiclass import OneVsRestClassifier
from sklearn.preprocessing import StandardScaler, MultiLabelBinarizer
from sklearn.svm import LinearSVC
from tok import word_tokenize
from nltk.corpus import stopwords
def tokenizer(text):
"""
форматирование строки https://github.com/kootenpv/tok/blob/master/README.md
regexp, stop_words, lowercase, stemmer
"""
ps = PorterStemmer()
result = word_tokenize(text)
output = []
for element in result:
if not (element in stop_words):
output.append(ps.stem(element))
return output
def embeddings_download(directory):
"""
загрузка представлений слов
:param directory: директория с файлами
:return: словарь: ключ - слово, значение - embedding
"""
embeddings_index = {}
f = open(os.path.join(glove_dir, 'glove.6B.100d.txt'), encoding='utf-8')
for line in f:
values = line.split()
word = values[0]
coefs = np.asarray(values[1:], dtype='float32')
embeddings_index[word] = coefs
f.close()
return embeddings_index
def data_download(review_size, embeddings_index, directory):
"""
Загрузка данных и их подготовка к подаче в классификатор.
Берутся первые review_size слов отзыва, если слово отсутствует в словаре, набираем дальше по тексту
:param review_size: количество используемых слов в отзыве
:param embeddings_index: словарь embedding'ов
:param directory: директория с файлами
:return: обучающая и тестовая выборки
"""
labels = []
texts = []
embed_len = len(embeddings_index[next(iter(embeddings_index))])
for label_type in ['neg', 'pos']:
dir_name = os.path.join(directory, label_type)
for file_name in os.listdir(dir_name):
if file_name[-4:] == '.txt':
f = open(os.path.join(dir_name, file_name), encoding='utf-8')
temp_str = f.read()
temp_str = tokenizer(temp_str)
review = []
cnt = 0
while len(review) != review_size * embed_len and cnt < len(temp_str):
element = temp_str[cnt]
if element in embeddings_index.keys():
review += embeddings_index[element].tolist()
cnt += 1
review_len = len(review)
if review_len != review_size * embed_len:
review += list(np.zeros(review_size * embed_len - review_len))
texts.append(np.asarray(review))
f.close()
if label_type == 'neg':
labels.append(0)
else:
labels.append(1)
doc_feat_len = embed_len * review_size
docs_count = len(texts)
X_train = np.zeros((docs_count, doc_feat_len))
for i in range(len(texts)):
X_train[i] = np.asarray(texts[i])
y = np.array(labels)
y = y[np.newaxis].T
return np.append(X, y, axis=1)
def data_download_mean(embeddings_index, directory):
"""
Загрузка данных и их подготовка к подаче в классификатор.
Берем средний вектор всего документа для получения более низкой размерности
:param embeddings_index: словарь embedding'ов
:param directory: директория с файлами
:return: обучающая и тренировочная выборки
"""
labels = []
dict_labels = {}
cnt = 0
texts = []
embed_len = len(embeddings_index[next(iter(embeddings_index))])
review = np.zeros(embed_len, type, 'f')
for subdir, dirs, files in os.walk(directory):
for dir in dirs:
dict_labels[dir] = cnt
cnt += 1
for element in dict_labels:
for subdir, dirs, files in os.walk(os.path.join(directory, element)):
for file in files:
review = np.zeros(embed_len, type, 'f')
f = open(os.path.join(subdir, file), encoding='utf-8', errors='ignore')
temp_str = ""
known_words_cnt = 0
flag = False
for line in f.readlines():
if line == '\n':
flag = True
if flag:
temp_str = temp_str + " " + line
temp_str = tokenizer(temp_str)
for word in temp_str:
if word in embeddings_index.keys():
review += np.asarray(embeddings_index[word].tolist())
known_words_cnt += 1
if known_words_cnt > 0:
texts.append(review / float(known_words_cnt))
labels.append(dict_labels[element])
f.close()
docs_count = len(texts)
X = np.zeros((docs_count, embed_len))
for i in range(docs_count):
X[i] = np.asarray(texts[i])
y = np.array(labels)
y = y[np.newaxis].T
return np.append(X, y, axis=1)
def data_download_mean_reuters(embeddings_index):
"""
Загрузка данных и их подготовка к подаче в классификатор.
Берем средний вектор всего документа для получения более низкой размерности
:param embeddings_index: словарь embedding'ов
:param directory: директория с файлами
:return: обучающая и тренировочная выборки
"""
labels = []
dict_labels = {}
cnt = 0
texts = []
cats = []
labels_marks = []
flattened_cats = []
table_marks = {}
embed_len = len(embeddings_index[next(iter(embeddings_index))])
# словарь категорий
f = open("D:\\datasets\\reuters\\cats.txt", 'r')
for line in f:
dict_labels[line.strip().split(" ")[0].split('/')[1]] = line.strip().split(' ')[1:]
cats.append(line.strip().split(' ')[1:])
# flattening
for x in cats:
for y in x:
flattened_cats.append(y)
cats = np.unique(np.asarray(flattened_cats))
i = 1
for element in cats:
table_marks[element] = i
i += 1
# стоп слова
stop_words_path = "D:\\datasets\\reuters\\stopwords"
stop_words = []
f = open(stop_words_path, encoding='utf-8', errors='ignore')
for line in f.readlines():
stop_words.append(line.strip())
# обрабатываем все файлы из директории
file_path = "D:\\datasets\\reuters\\texts"
for element in dict_labels.keys():
review = np.zeros(embed_len, type, 'f')
f = open(os.path.join(file_path, element), encoding='utf-8', errors='ignore')
temp_str = ""
known_words_cnt = 0
temp_str = f.read()
temp_str = word_tokenize(temp_str)
for word in temp_str:
if word in embeddings_index.keys() and not (word in stop_words):
review += np.asarray(embeddings_index[word].tolist())
known_words_cnt += 1
if known_words_cnt > 0:
texts.append(review / float(known_words_cnt))
labels.append(dict_labels[element])
f.close()
# кодировка признаков по таблице
i = 0
for element in labels:
labels_marks.append([])
for subelement in element:
labels_marks[i].append(table_marks[subelement])
i += 1
docs_count = len(texts)
X = np.zeros((docs_count, embed_len))
for i in range(docs_count):
X[i] = np.asarray(texts[i])
mlb = MultiLabelBinarizer()
labels_marks = mlb.fit_transform(labels_marks)
return np.append(X, labels_marks, axis=1)
def dim_reduction_plot(X, y):
fig = plt.figure(1, figsize=(16, 9))
ax = Axes3D(fig, elev=-150, azim=110)
X_reduced = PCA(n_components=2).fit_transform(X)
ax.scatter(X_reduced[:, 0], X_reduced[:, 1], c=y,
cmap=plt.cm.Set1, edgecolor='k', s=40)
ax.set_title("First three PCA directions")
ax.set_xlabel("1st eigenvector")
ax.w_xaxis.set_ticklabels([])
ax.set_ylabel("2nd eigenvector")
ax.w_yaxis.set_ticklabels([])
plt.show()
print("The number of features in the new subspace is ", X_reduced.shape[1])
def dim_reduction_plot_tsne(X, y):
"""
Стохастическое вложение соседей с t-распределением (англ. t-distributed Stochastic Neighbor Embedding, t-SNE) —
это алгоритм машинного обучения для визуализации, разработанный Лоренсом ван дер Маатеном и Джеффри Хинтоном.
Он является техникой нелинейного снижения размерности, хорошо подходящей для вложения данных высокой размерности
для визуализации в пространство низкой размерности (двух- или трехмерное). В частности, метод моделирует каждый
объект высокой размерности двух- или трёхмерной точкой таким образом, что похожие объекты моделируются близко
расположенными точками, а непохожие точки моделируются с большой P точками, далеко друг от друга отстоящими.
"""
x_reduced = TSNE(n_components=2).fit_transform(X)
sns.scatterplot(x_reduced[:, 0], x_reduced[:, 1], hue=y, legend='full')
def roc_curve_own(model, X, y):
"""
построение roc-кривой модели, изменяемый параметр - w_0
:param model: обученная модель
:param X: признаки
:param y: ответы
:return: график roc-кривой
"""
roc_array = np.zeros((len(X), 2)) # сверху fpr, снизу tpr
a_y = np.zeros((len(X), 2)) # сверху decision_function(x_i), снизу метка класса
m = np.zeros(len(X))
# сортировка двумерного массива по строке m
m = model.decision_function(X)
a_y[:, 0] = np.array(m.T).astype(float) # np.ravel(m.T)
a_y[:, 1] = y.T
l_a_y = list(a_y)
l_a_y = sorted(l_a_y, key=lambda x: x[0])
a_y_sorted = np.asarray(l_a_y)
# заполняем roc_array tpr и fpr
if a_y_sorted[len(X) - 1, 1] == 0:
roc_array[len(X) - 1, 0] = 1
else:
roc_array[len(X) - 1, 1] = 1
for i in reversed(range(len(X) - 1)):
if a_y_sorted[i, 1] == 0:
roc_array[i, 0] = roc_array[i + 1, 0] + 1
roc_array[i, 1] = roc_array[i + 1, 1]
else:
roc_array[i, 0] = roc_array[i + 1, 0]
roc_array[i, 1] = roc_array[i + 1, 1] + 1
y_neg_cnt = len(list(filter(lambda x: (x == 0), y)))
y_pos_cnt = len(list(filter(lambda x: (x == 1), y)))
if y_neg_cnt > 0 and y_pos_cnt > 0:
roc_array[:, 0] = roc_array[:, 0] / float(y_neg_cnt)
roc_array[:, 1] = roc_array[:, 1] / float(y_pos_cnt)
plt.plot(roc_array[:, 0], roc_array[:, 1])
plt.plot([0, 1], [0, 1], linestyle='--')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.show()
if __name__ == "__main__":
start_time = time.time()
if 'DESKTOP-TF87PFA' in os.environ['COMPUTERNAME']:
glove_dir = 'C:\\Users\\Alexandr\\Documents\\NLP\\diplom\\datasets\\glove.6B'
imdb_dir: str = 'C:\\Users\\Alexandr\\Documents\\NLP\\diplom\\datasets\\aclImdb'
train_dir = os.path.join(imdb_dir, 'train')
test_dir = os.path.join(imdb_dir, 'test')
imdb_csv = 'C:\\Users\\Alexandr\\Documents\\NLP\\diplom\\datasets\\csv_files\\imdb.csv'
to_imdb_csv = 'C:\\Users\\Alexandr\\Documents\\NLP\\diplom\\datasets\\csv_files'
reuters_mean_csv = 'C:\\Users\\Alexandr\\Documents\\NLP\\diplom\\datasets\\csv_files\\reuters_mean.csv'
to_reuters_mean_csv = 'C:\\Users\\Alexandr\\Documents\\NLP\\diplom\\datasets\\csv_files'
else:
glove_dir = 'D:\\datasets\\glove.6B'
imdb_dir: str = 'D:\\datasets\\aclImdb'
train_dir = os.path.join(imdb_dir, 'train')
test_dir = os.path.join(imdb_dir, 'test')
imdb_csv = 'D:\\datasets\\csv_files\\imdb.csv'
to_imdb_csv = 'D:\\datasets\\csv_files'
reuters_mean_csv = 'D:\\datasets\\csv_files\\reuters_mean.csv'
to_reuters_mean_csv = 'D:\\datasets\\csv_files'
stop_words = set(stopwords.words('english'))
labels_cnt = 90
# загрузка embedding'ов
embeddings_index = embeddings_download(glove_dir)
reuters = data_download_mean_reuters(embeddings_index)
# pd.DataFrame(reuters).to_csv(to_reuters_mean_csv)
# загрузка данных, формирование тренировочной и тестовой выборок
data = np.genfromtxt(reuters_mean_csv, delimiter=',')
X = data[1:, 1:-labels_cnt]
y = data[1:, -labels_cnt:]
# масштабирование выборки
scaler = StandardScaler()
scaler.fit_transform(X)
# разделение на тренировочную и тестовую выборки
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42, shuffle=True)
# построение трехмерного графика сниженной размерности
# dim_reduction_plot_tsne(X_test, y_test)
# nonlinear svm
clf_SVC = OneVsRestClassifier(LinearSVC())
# clf_SVC = SVC(C=0.1, kernel='rbf', degree=3, gamma='auto', coef0=0.0, shrinking=True,
# probability=False, tol=0.001, cache_size=1000, class_weight=None,
# verbose=0, max_iter=-1, decision_function_shape="ovr", random_state=0)
clf_SVC.fit(X_train, y_train)
# answers = clf_SVC.predict(X_test)
# results = np.zeros(90)
# difference = 0
# for i in range(answers.shape[0]):
# for j in range(len(answers[0])):
# if answers[i][j] != y_test[i][j]:
# difference += 1
#
# print((answers.shape[0]*answers.shape[1]-2091)/(answers.shape[0]*answers.shape[1]))
#
# for i in range(90):
# print("Точность предсказания", i, "-го класса = ", accuracy_score(y_test[:, i], clf_SVC.predict(X_test)[:, i]))
# results[i] = (accuracy_score(y_test[:, i], clf_SVC.predict(X_test)[:, i]))
#
# print("Точность предсказания в среднем по классам = ", results.mean())
print('Accuracy of SVC on training set: {:.2f}'.format(clf_SVC.score(X_train, y_train) * 100))
print('Accuracy of SVC on test set: {:.2f}'.format(clf_SVC.score(X_test, y_test) * 100))
total_time = round((time.time() - start_time))
print("Time elapsed: %s minutes %s seconds" % ((total_time // 60), round(total_time % 60)))