Извлечение и оценка текстовых признаков

Введение

Библиотека scikit-learn предоставляет инструменты для извлечения и оценки текстовых признаков. В этом лабораторном занятии мы будем использовать набор данных 20newsgroups, чтобы показать, как извлекать признаки из текстовых данных, создавать конвейер (pipeline) и оценивать производительность модели с использованием настройки гиперпараметров.

Советы по виртуальной машине

После запуска виртуальной машины нажмите в левом верхнем углу, чтобы переключиться на вкладку Notebook и получить доступ к Jupyter Notebook для практики.

Иногда вам может потребоваться подождать несколько секунд, пока Jupyter Notebook загрузится. Проверка операций не может быть автоматизирована из-за ограничений Jupyter Notebook.

Если у вас возникнут проблемы во время обучения, не стесняйтесь обращаться к Labby. Оставьте отзыв после занятия, и мы оперативно решим проблему для вас.

Skills Graph

Загрузка данных

Мы загрузим набор данных 20newsgroups, который представляет собой коллекцию примерно 20 000 новостных документов, разделенных на 20 различных категорий. В этом лабораторном занятии мы сосредоточимся на двух категориях: alt.atheism и talk.religion.misc.

from sklearn.datasets import fetch_20newsgroups

categories = [
    "alt.atheism",
    "talk.religion.misc",
]

data_train = fetch_20newsgroups(
    subset="train",
    categories=categories,
    shuffle=True,
    random_state=42,
    remove=("headers", "footers", "quotes"),
)

data_test = fetch_20newsgroups(
    subset="test",
    categories=categories,
    shuffle=True,
    random_state=42,
    remove=("headers", "footers", "quotes"),
)

print(f"Loading 20 newsgroups dataset for {len(data_train.target_names)} categories:")
print(data_train.target_names)
print(f"{len(data_train.data)} documents")

Определение конвейера (pipeline) с настройкой гиперпараметров

Мы определяем конвейер (pipeline), который объединяет векторизатор текстовых признаков с простым классификатором для классификации текстов. Мы будем использовать Complement Naive Bayes в качестве классификатора и TfidfVectorizer для извлечения признаков.

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import ComplementNB
from sklearn.pipeline import Pipeline
import numpy as np

pipeline = Pipeline(
    [
        ("vect", TfidfVectorizer()),
        ("clf", ComplementNB()),
    ]
)

parameter_grid = {
    "vect__max_df": (0.2, 0.4, 0.6, 0.8, 1.0),
    "vect__min_df": (1, 3, 5, 10),
    "vect__ngram_range": ((1, 1), (1, 2)),  ## unigrams or bigrams
    "vect__norm": ("l1", "l2"),
    "clf__alpha": np.logspace(-6, 6, 13),
}

Настройка гиперпараметров

Мы используем RandomizedSearchCV для исследования сетки гиперпараметров и нахождения наилучшей комбинации гиперпараметров для конвейера (pipeline). В данном случае мы устанавливаем n_iter=40, чтобы ограничить пространство поиска. Мы можем увеличить значение n_iter, чтобы получить более информативный анализ, но это увеличит время вычислений.

from sklearn.model_selection import RandomizedSearchCV

random_search = RandomizedSearchCV(
    estimator=pipeline,
    param_distributions=parameter_grid,
    n_iter=40,
    random_state=0,
    n_jobs=2,
    verbose=1,
)

print("Performing grid search...")
print("Hyperparameters to be evaluated:")
pprint(parameter_grid)

random_search.fit(data_train.data, data_train.target)

test_accuracy = random_search.score(data_test.data, data_test.target)

Визуализация результатов

Мы можем визуализировать результаты настройки гиперпараметров с помощью библиотеки plotly.express. Мы используем точечную диаграмму (scatter plot), чтобы визуализировать компромисс между временем оценки и средним значением тестовой оценки. Также мы можем использовать параллельные координаты для дальнейшей визуализации среднего значения тестовой оценки в зависимости от настроенных гиперпараметров.

import pandas as pd
import plotly.express as px
import math

def shorten_param(param_name):
    """Remove components' prefixes in param_name."""
    if "__" in param_name:
        return param_name.rsplit("__", 1)[1]
    return param_name

cv_results = pd.DataFrame(random_search.cv_results_)
cv_results = cv_results.rename(shorten_param, axis=1)

param_names = [shorten_param(name) for name in parameter_grid.keys()]
labels = {
    "mean_score_time": "CV Score time (s)",
    "mean_test_score": "CV score (accuracy)",
}
fig = px.scatter(
    cv_results,
    x="mean_score_time",
    y="mean_test_score",
    error_x="std_score_time",
    error_y="std_test_score",
    hover_data=param_names,
    labels=labels,
)

fig.update_layout(
    title={
        "text": "trade-off between scoring time and mean test score",
        "y": 0.95,
        "x": 0.5,
        "xanchor": "center",
        "yanchor": "top",
    }
)

column_results = param_names + ["mean_test_score", "mean_score_time"]

transform_funcs = dict.fromkeys(column_results, lambda x: x)
## Using a logarithmic scale for alpha
transform_funcs["alpha"] = math.log10
## L1 norms are mapped to index 1, and L2 norms to index 2
transform_funcs["norm"] = lambda x: 2 if x == "l2" else 1
## Unigrams are mapped to index 1 and bigrams to index 2
transform_funcs["ngram_range"] = lambda x: x[1]

fig = px.parallel_coordinates(
    cv_results[column_results].apply(transform_funcs),
    color="mean_test_score",
    color_continuous_scale=px.colors.sequential.Viridis_r,
    labels=labels,
)
fig.update_layout(
    title={
        "text": "Parallel coordinates plot of text classifier pipeline",
        "y": 0.99,
        "x": 0.5,
        "xanchor": "center",
        "yanchor": "top",
    }
)

Резюме

В этом лабораторном занятии мы показали, как извлекать признаки из текстовых данных, создавать конвейер (pipeline) и оценивать производительность модели с использованием настройки гиперпараметров. Мы использовали набор данных 20newsgroups, чтобы показать, как использовать RandomizedSearchCV для нахождения наилучшей комбинации гиперпараметров для конвейера и визуализировать результаты с помощью библиотеки plotly.express.