前言

所有的人工智能學習者，都是從一個個簡易的分類器開始的實踐之路，自然語言處理領域也不例外。雖然有著包括：分詞、詞性標注、關鍵詞提取、新聞摘要、機器翻譯等各種各樣的實際應用，但文本分類還是AI自然語言處理的基礎。

那么，我們應該如何構建起一個建議的文本分類器呢？老K就帶大家來實踐一下。

準備工作

首先，你需要有一個已經標記好分類的文本文件，當然也可以用老K準備的源數據，可以根據文末的方法獲取。

然后，開始安裝必要的第三方庫：pandas、sklearn

pip install pandas

pandas是最常用的數據處理的工具庫

pip install -U scikit-learn

sklearn是機器學習的一個常用庫

數據清洗

首先，我們把數據通過pandas導入到程序中來，然后對數據進行基礎的清洗

import pandas as pd

data = pd.read_csv('data.csv')

data = data.dropna(subset=['fearures'])
data = data[['features', 'targets']]

然后將數據轉為array格式，把特征和標簽分別提取出來

dataset = data.as_matrix()
features = dataset[:, 0]
targets = dataset[:, 1]

數據預處理

由于不論特征還是標簽，都是以文本形式表現的，所以我們首先需要把這些文本轉化為計算機能夠理解的形式，也就是把文本數字化。

對于特征部分，我們用sklearn自帶的詞向量化器模型轉化一下即可：

from sklearn.feature_extraction.text import TfidfVectorizer

tfidf = TfidfVectorizer()
X = tfidf.fit_transform(features)

通過上述代碼，就能一步實現文本的分詞和向量化；

然后我們對標簽部分，用encoder器進行數值化預處理：

from sklearn.preprocessing import LabelEncoder

encoder = LabelEncoder()
Y = encoder.fit_transform(targets)

說明一下：模型中的fit_transform()方法相當于fit()后立刻進行transform()，是后兩者的合并，主要起到簡化代碼的效果。

抽取訓練集、測試集

sklearn有自帶的選擇器，可以按照設定的參數隨機生成訓練集和測試集

from sklearn.model_selection import train_test_split

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.5)

通過上述代碼，就可以將特征和標簽，按照50%測試集的比例，拆分為訓練集和測試集

訓練模型

接下來我們只需要選擇一個合適的模型，進行訓練就可以了。

這里我們選擇的是隨機森林模型，參數是默認的。大家也可以根據自己的任務本身，選擇各自認為合適的模型。

from sklearn.ensemble import RandomForestClassifier

cls = RandomForestClassifier()
cls.fit(X_train, Y_train)

訓練完成后，可以用score()查看模型的準確率，然后進一步調整模型

print(cls.score(X_test, Y_test))

模型預測

在訓練好合適的模型后，我們就可以用這個模型進行預測了。

我們把用來預測的特征文本輸入作為sents輸入模型。

sents = ["用于預測的語句"]
sents = tfidf.transform(sents)
labers = cls.predict(sents)

值得注意的是，此處輸入的sents需要是list格式的數據，而非str。

總結

以上就是實現一個簡易的文本分類器的步驟詳解，實際的分類器應用，寫法也與之大致相同。

由于選擇的是默認的模型，所以準確率并不能保證，需要不斷改進模型選擇和模型參數，才能提高模型的準確率，達到商業應用的水準。

以下是完整代碼：

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder

# 數據清洗 ====
data = pd.read_csv('data.csv')

data = data.dropna(subset=['context'])
data = data[['features', 'targets']]

dataset = data.as_matrix()
features = dataset[:, 0]
targets = dataset[:, 1]

# 預處理 ====
tfidf = TfidfVectorizer()
X = tfidf.fit_transform(features)

encoder = LabelEncoder()
Y = encoder.fit_transform(targets)

# 抽取訓練集 ====
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.5)

# 訓練模型 ====
cls = RandomForestClassifier()
cls.fit(X_train, Y_train)

print(cls.score(X_test, Y_test))