转载

基于Kaggle数据的词袋模型文本分类教程

有一个Kaggle的训练比赛，你可以尝试进行文本分类，特别是电影评论。没有其他的数据——这是使用文本分类做一些实验的绝佳机会。

Kaggle有一个关于本次比赛的 tutorial ，它会带你走进流行的词袋方法以及word2vec。本教程几乎代表了最佳实践，最有可能让参赛选手的优化变得很容易。而这正是我们要做的。

验证

验证是机器学习的基石。这是因为我们之后会推广到未知的测试实例。通常，评估一个模型推广的唯一明智方式是使用验证：如果你有足够的例子，你可以进行单一训练、验证分割；又或者如果你有几个训练点，你可以进行计算上更昂贵但却很有必要的交叉验证。

一点题外话：在不少Kaggle比赛，来自不同分布而不是训练集的一组测试，意味着它甚至很难成为代表性的验证集。这是一个挑战还是愚蠢的行为，取决于你的观点。

为了激励验证的需求，让我们回顾百度团队参加ImageNet比赛的情况。这些人显然不理解验证，所以他们不得不求助于排行榜来评估自己的努力。ImageNet每周只允许两次提交，所以他们创造了许多假账户来拓展他们的带宽。不幸的是，主办方不喜欢这样的方法，而百度也因此陷入尴尬。

验证分割

我们的第一个步骤是通过启用验证来修改原始教程代码。因此，我们需要分割训练集。既然我们有25,000个训练例子，我们将取出5,000个进行测试，并留下20,000个进行培训。一种方法是将一个培训文件分割成两个——我们从phraug2中使用split.py脚本：

python split.py train.csv train_v.csv test_v.csv -p 0.8 -r dupa

使用随机种子“Dupa”来实现再现。Dupa是用于这样场合的波兰码字。我们下面报告的结果是基于这种分割。

训练集是相当小的，所以另一种方式是加载整个训练文件到内存中并把它分割，然后，使用scikit-learn为此类任务提供的好工具：

from sklearn.cross_validation import train_test_split train, test = train_test_split( data, train_size = 0.8, random_state = 44 )

我们提供的脚本使用这种机制以便使用，而不是单独的训练、测试文件。我们需要使用索引因为我们正在处理Pandas框架，而不是Numpy数组：

all_i = np.arange( len( data )) train_i, test_i = train_test_split( all_i, train_size = 0.8, random_state = 44 )  train = data.ix[train_i] test = data.ix[test_i]

度量标准

竞争的度量标准是AUC，它需要概率。出于某种原因，Kaggle教程只预测0和1。这是很容易解决：

p = rf.predict_proba( test_x ) auc = AUC( test_y, p[:,1] )

而且我们看到，随机森林成绩大约为91.9%。

词袋的随机森林？不

随机森林是一个强大的通用方法，但它不是万能的，对于高维稀疏数据并不是最好的选择。而BoW表示是高维稀疏数据的一个很好例子。

此前我们覆盖了词袋，例如 A bag of words and a nice little network 。在那篇文章中，我们使用了神经网络进行分类，但事实是简约的线性模型往往是首选。我们将使用逻辑回归，因为现在留下超参数作为默认值。

逻辑回归的验证AUC是92.8％，并且它比随机森林的训练快得多。如果你打算从这篇文章学点东西：对于高维稀疏数据使用线性模型，如词袋。

TF-IDF

TF-IDF即“术语频率/倒排文档频率（term frequency / inverse document frequency）”，是这样一种方法：用于强调给定文档中的高频词汇，而不再强调出现在许多文档中的高频词汇。

我们 TfidfVectorizer 和20,000个特征的得分是95.6％，有很大的改进。

停用词和 N-grams

Kaggle教程的作者认为有必要去除停用词（Stopwords）。停用词即commonly occuring words，比如“this”，“that”，“and”，“so”，“on”。这是一个很好的决定吗？我们不知道，我们需要检验，我们有验证集，还记得吗？留下停用词的得分为92.9％（在TF-IDF之前）。

反对移除停用词的一个更重要的原因是：我们想尝试n-grams，并且对于n-grams我们最好让所有词留在原地。我们之前涵盖了 n-grams ，它们由n个连续的词组合在一起，使用二元模型开始（两个词）：“cat ate”，“ate my”，“my precious”，“precious homework”。三元模型由三个词组成：“cat ate my”，“ate my homework”，“my precious homework”；四元模型，等等。

为什么n-grams能够work？想想这句话：“movie not good”。它有明显的负面情绪，但是如果你把每个单词都分离，你将不会检测这一点。相反，该模型可能会了解到，“good”是一个积极的情绪，这将不利于判断。

在另一方面，二元模型可以解决问题：模型可能会了解到，“not good”有负面情绪。

使用来自斯坦福大学情感分析页面的更复杂的例子：

This movie was actually neither that funny, nor super witty.

对于这个例子，二元模型将在“that funny”和“super witty”上失败。我们需要至少三元模型来捕捉“neither that funny”和“nor super witty”，然而这些短语似乎并不太常见，所以，如果我们使用的特征数量有限，或正规化，他们可能不会让它进入到模型。因此，像神经网络一样的更复杂的模型的动因会使我们离题。

如果计算n-grams听起来有点复杂，scikit-learn量化能够自动地做到这一点。正如Vowpal Wabbit可以，但我们不会在这里使用Vowpal Wabbit。

使用三元模型的AUC得分为95.9％。

维度

每个字都是一个特征：它是否出现在文档中（0/1），或出现多少次（大于等于0的整数）。我们从教程中开始原始维数，5000。这对随机森林很有意义，这是一个高度非线性的、有表现力的、高差异的分类，需要一个配给相对比较高的例子用于维数。线性模型在这方面不太苛求，他们甚至可以在d>>n的情况下work。

我们发现，如果我们不限制维数，即使这样一个小的数据集也会使我们耗尽内存。我们可以在12 GB RAM的机器上带动大约40,000个特征。甚至引起交换。

对于初学者来说，我们尝试20,000个特征。逻辑回归分数为94.2％（在TF-IDF和n-grams之前），与5,000个特征的得分92.9％进行比较。更多的分数甚至更好：30,000个特征的得分96.0%，40,000个特征的得分96.3%（在TF-IDF和n-grams之后）。

为了解决内存问题，我们可以使用 hashing vectorizer 。然而，相对于之前的96.3%，它只得到了93.2％的分数，部分原因是它不支持TF-IDF。

结语

我们展示了改善文本分类的方法：

做一个验证集
为AUC预测概率
用线性模型代替随机森林
使用TF-IDF权衡词汇
留下停用词
加上二元模型或者三元模型

公众排行榜得分反映了验证得分：都大约是96.3％。在提交的时候，它在500名参赛者中足够进入前20名。

你可能还记得，我们留下了线性回归的超参数作为默认值。此外，向量化有它自己的参数，你可可期望更实际些。微调它们的结果有一个适量的改善，达到96.6%。

再次说明，这篇文章的代码可在Github上得到。

UPDATE ：Mesnil ，Mikolov，Ranzato和Bengio有一篇情感分类的paper： Ensemble of Generative and Discriminative Techniques for Sentiment Analysis of Movie Reviews （ code ）。他们发现，使用n-gram的线性模型优于递归神经网络（RNN）和使用句子向量的线性模型。

然而，他们使用的数据集（ Stanford Large Movie Review Dataset ）比较小，有25,000个训练实例。 Alec Radford 表示，在样本数量较大，大致从100,000到1000,000，RNN开始优于线性模型。

基于Kaggle数据的词袋模型文本分类教程