daguansummary-优快云博客

1.参赛指导
1.1 背景

这个比赛是文本分类比赛，比传统的短文本（300词）分类难，现在是长文本（3000词）分类。

1.2 监督学习进行分类的基本过程（假设有一个学习模型f供你使用）

原始数据（一段原始文本）→数据预处理（处理后的文本）→特征工程（Features）→输入（模型f）→输出（类别）

数据预处理：表情、符号会影响后续的处理，所以去掉；

特征工程：生成向量=feature；（是机器学习中最重要的部分，深度学习也是完成这一步。有个说法是：特征决定了机器学习的上限，而机器学习算法只是为了逼近这个上限）

模型的输入输出：都是模型所规定好的特征空间和类别空间。

注：字和词：单个词才能表达一个完整的意思，比如“垃圾”，分开一个字意思，就不能够表达组合的意思（有些情况是可以的）。

1.3 脱敏数据

图1 脱敏数据（每个数字代表一个字、词）
上图有标的数据用于训练，测试集没有数据，提交了才回有成绩。

1.4 如何提高模型的性能

（1）数据预处理：当所给的数据不全，其中可能也有错误的数据；（本源问题）（但可以数据增强，来增加数据来提高效果）

（2）特征工程：技巧性，需要积累经验，比如区分人的话，用人脸特征就比身高特征好太多了；（是决定模型好坏的关键）

（3）机器学习算法：不同的算法适合不同的问题，如这个简单的分类问题，逻辑回归比其他复杂的模型要好；

（4）模型集成

https://www.jianshu.com/p/a565f9512a17

baseline

# -*- coding: utf-8 -*-

"""
@简介：tfidf特征/ SVM模型
@成绩： 0.77
"""
#导入所需要的软件包
import pandas as pd
from sklearn.svm import LinearSVC
from sklearn.feature_extraction.text import TfidfVectorizer

print("开始...............")

#====================================================================================================================
# @代码功能简介：从硬盘上读取已下载好的数据，并进行简单处理
# @知识点定位：数据预处理
#====================================================================================================================
df_train = pd.read_csv('./data/train_set.csv')  # 数据读取
df_test = pd.read_csv('./data/test_set.csv')

# 观察数据，原始数据包含id、article(原文)列、word_seg(分词列)、class(类别标签)
df_train.drop(columns=['article', 'id'], inplace=True) # drop删除列
df_test.drop(columns=['article'], inplace=True)

#==========================================================
# @代码功能简介：将数据集中的字符文本转换成数字向量，以便计算机能够进行处理（一段文字 ---> 一个向量）
# @知识点定位：特征工程
#==========================================================
vectorizer = TfidfVectorizer(ngram_range=(1, 2), min_df=3, max_df=0.9)
'''
    ngram_range=(1, 2) : 词组长度为1和2
    min_df : 忽略出现频率小于3的词
    max_df : 忽略在百分之九十以上的文本中出现过的词
'''
vectorizer.fit(df_train['word_seg'])  # 构造tfidf矩阵
x_train = vectorizer.transform(df_train['word_seg'])  # 构造训练集的tfidf矩阵
x_test = vectorizer.transform(df_test['word_seg'])  # 构造测试的tfidf矩阵

y_train = df_train['class']-1 #训练集的类别标签（减1方便计算）

#==========================================================
# @代码功能简介：训练一个分类器
# @知识点定位：传统监督学习算法之线性逻辑回归模型
#==========================================================

classifier = LinearSVC()  # 实例化逻辑回归模型
classifier.fit(x_train, y_train)  # 模型训练，传入训练集及其标签

#根据上面训练好的分类器对测试集的每个样本进行预测
y_test = classifier.predict(x_test)

#将测试集的预测结果保存至本地
df_test['class'] = y_test.tolist()
df_test['class'] = df_test['class'] + 1
df_result = df_test.loc[:, ['id', 'class']]
df_result.to_csv('./results/beginner.csv', index=False)

print("完成...............")