Python使用神經網絡進行簡單文本分類

深度學習無處不在。在本文中，咱們將使用Keras進行文本分類。

 

準備數據集

出於演示目的，咱們將使用  20個新聞組  數據集。數據分爲20個類別，咱們的工做是預測這些類別。以下所示：

一般，對於深度學習，咱們將劃分訓練和測試數據。

導入所需的軟件包

Python  

import pandas as pd
import numpy as np
import pickle
from keras.preprocessing.text import Tokenizer
from keras.models import Sequential
from keras.layers import Activation, Dense, Dropout
from sklearn.preprocessing import LabelBinarizer
import sklearn.datasets as skds
from pathlib import Path

 

 

將數據從文件加載到Python變量

Python  

# 爲了復現性

np.random.seed(1237)
  
label_index = files_train.target
label_names = files_train.target_names
labelled_files = files_train.filenames
 
data_tags = ["filename","category","news"]
data_list = []
 
# 讀取文件中的數據並將其添加到列表


 
data = pd.DataFrame.from_records(data_list, columns=data_tags)

 

 

咱們的數據沒法以CSV格式提供。咱們有文本數據文件，文件存放的目錄是咱們的標籤或類別。

咱們將使用scikit-learn load_files方法。這種方法能夠提供原始數據以及標籤和標籤索引。

最後咱們獲得一個數據框，其中包含文件名，類別和實際數據。

 

拆分數據進行訓練和測試

Python  

# 讓咱們以80％的數據做爲訓練，剩下的20％做爲測試。


train_size = int(len(data) * .8)
 
train_posts = data['news'][:train_size]
train_tags = data['category'][:train_size]
train_files_names = data['filename'][:train_size]
 
test_posts = data['news'][train_size:]
test_tags = data['category'][train_size:]
test_files_names = data['filename'][train_size:]

 

 

標記化並準備詞彙

 

Python  

# 20個新聞組


num_labels = 20
vocab_size = 15000
batch_size = 100
 
# 用Vocab Size定義Tokenizer


tokenizer = Tokenizer(num_words=vocab_size)
tokenizer.fit_on_texts(train_posts)

 

 

在對文本進行分類時，咱們首先使用Bag Of Words方法對文本進行預處理。

 

預處理輸出標籤/類

在將文本轉換爲數字向量後，咱們還須要確保標籤以神經網絡模型接受的數字格式表示。

 

創建Keras模型並擬合

 

PowerShell  

model = Sequential()

 

 

它爲輸入數據的維度以及構成模型的圖層類型提供了簡單的配置。

這是擬合度和測試準確性的代碼段

100/8145 [..............................] - ETA: 31s - loss: 1.0746e-04 - acc: 1.0000
200/8145 [..............................] - ETA: 31s - loss: 0.0186 - acc: 0.9950    
300/8145 [>.............................] - ETA: 35s - loss: 0.0125 - acc: 0.9967
400/8145 [>.............................] - ETA: 32s - loss: 0.0094 - acc: 0.9975
500/8145 [>.............................] - ETA: 30s - loss: 0.0153 - acc: 0.9960
...
7900/8145 [============================>.] - ETA: 0s - loss: 0.1256 - acc: 0.9854
8000/8145 [============================>.] - ETA: 0s - loss: 0.1261 - acc: 0.9855
8100/8145 [============================>.] - ETA: 0s - loss: 0.1285 - acc: 0.9854
8145/8145 [==============================] - 29s 4ms/step - loss: 0.1293 - acc: 0.9854 - val_loss: 1.0597 - val_acc: 0.8742
 
Test accuracy: 0.8767123321648251

   

 

評估模型

 

Python

for i in range(10):
    prediction = model.predict(np.array([x_test[i]]))
    predicted_label = text_labels[np.argmax(prediction[0])]
    print(test_files_names.iloc[i])
    print('Actual label:' + test_tags.iloc[i])
    print("Predicted label: " + predicted_label)

 

 

在Fit方法訓練了咱們的數據集以後，咱們將如上所述評估模型。

混淆矩陣

混淆矩陣是可視化模型準確性的最佳方法之一。

 

保存模型

一般，深度學習的用例就像在不一樣的會話中進行數據訓練，而使用訓練後的模型進行預測同樣。

# 建立一個HDF5文件'my_model.h5'


model.model.save('my_model.h5')
 
# 保存令牌生成器，即詞彙表


with open('tokenizer.pickle', 'wb') as handle:
    pickle.dump(tokenizer, handle, protocol=pickle.HIGHEST_PROTOCOL)

   

 

Keras沒有任何實用程序方法可將Tokenizer與模型一塊兒保存。咱們必須單獨序列化它。

 

加載Keras模型

 

 

Python

 

預測環境還須要注意標籤。

encoder.classes_ #標籤二值化

   

 

預測

如前所述，咱們已經預留了一些文件進行實際測試。

 

 

Python

 
labels = np.array(['alt.atheism', 'comp.graphics', 'comp.os.ms-windows.misc',
'comp.sys.ibm.pc.hardware', 'comp.sys.mac.hardware', 'comp.windows.x',
'misc.forsale', 'rec.autos', 'rec.motorcycles', 'rec.sport.baseball',
'rec.sport.hockey', 'sci.crypt', 'sci.electronics', 'sci.med', 'sci.space',
'soc.religion.christian', 'talk.politics.guns', 'talk.politics.mideast',
'talk.politics.misc', 'talk.religion.misc'])
 ...
for x_t in x_tokenized:
    prediction = model.predict(np.array([x_t]))
    predicted_label = labels[np.argmax(prediction[0])]
    print("File ->", test_files[i], "Predicted label: " + predicted_label)
    i += 1

 

 

輸出

File -> C:\DL\20news-bydate\20news-bydate-test\comp.graphics\38758 Predicted label: comp.graphics
File -> C:\DL\20news-bydate\20news-bydate-test\misc.forsale\76115 Predicted label: misc.forsale
File -> C:\DL\20news-bydate\20news-bydate-test\soc.religion.christian\21329 Predicted label: soc.religion.christian

咱們知道目錄名是文件的真實標籤，所以上述預測是準確的。

 

結論

在本文中，咱們使用Keras python庫構建了一個簡單而強大的神經網絡。

 

---