forked from antongolubev5/TextClassification
-
Notifications
You must be signed in to change notification settings - Fork 0
/
svm_multi_tfidf.py
333 lines (267 loc) · 12.1 KB
/
svm_multi_tfidf.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
import os
import time
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns
from keras.utils.np_utils import to_categorical
from mpl_toolkits.mplot3d import Axes3D
from nltk import word_tokenize, PorterStemmer
from nltk.corpus import stopwords
from sklearn.decomposition import PCA
from sklearn.feature_extraction.text import TfidfVectorizer
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
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 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()
def csv_from_txts(directory):
"""
Загрузка данных в csv file.
Берем средний вектор всего документа для получения более низкой размерности
:param directory: директория с файлами
:return: обучающая и тренировочная выборки
"""
df = pd.DataFrame(columns=['text', 'label'])
dict_labels = {}
cats = []
labels = []
table_marks = {}
labels_marks = []
flattened_cats = []
# 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
# обрабатываем все файлы из директории
num = 0
for element in dict_labels.keys():
f = open(os.path.join(directory, element), encoding='utf-8', errors='ignore')
df.loc[num] = [f.read(), 0]
f.close()
labels.append(dict_labels[element])
num += 1
i = 0
for element in labels:
labels_marks.append([])
for subelement in element:
labels_marks[i].append(table_marks[subelement])
i += 1
df['label'] = labels_marks
return df
def tf_idf_representation(csv_file):
"""
векторизация текстов с помощью tf-idf
:param csv_file:
:return:
"""
texts = list(csv_file['text'])
labels = list(csv_file['label'])
for i in range(len(labels)):
labels[i] = labels[i].strip('][').split(', ')
corpus = list(map(tokenizer, texts))
for i in range(len(corpus)):
corpus[i] = " ".join(corpus[i])
labels = to_categorical(labels)
# mlb = MultiLabelBinarizer()
# labels = mlb.fit_transform(labels)
# corpus = list(texts)
vectorizer = TfidfVectorizer(decode_error='ignore', lowercase=True, stop_words='english',
min_df=0.0001)
representations = vectorizer.fit_transform(corpus).toarray()
return representations, labels, vectorizer
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')
data_csv = 'C:\\Users\\Alexandr\\Documents\\NLP\\diplom\\datasets\\csv_files\\newsgroups.csv'
save_data_csv = 'C:\\Users\\Alexandr\\Documents\\NLP\\diplom\\datasets\\csv_files'
else:
imdb_dir: str = 'D:\\datasets\\aclImdb'
train_dir = os.path.join(imdb_dir, 'train')
test_dir = os.path.join(imdb_dir, 'test')
data_csv = 'D:\\datasets\\csv_files\\newsgroups.csv'
save_data_csv = 'D:\\datasets\\csv_files'
stop_words = set(stopwords.words('english'))
# region make csv file
# reuters = csv_from_txts(reuters_dir)
# pd.DataFrame(reuters).to_csv(save_data_csv)
# endregion
# загрузка данных, формирование тренировочной и тестовой выборок
data = pd.read_csv(data_csv)
X, y, vector_mdl = tf_idf_representation(data)
# 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)
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)))