第三章：WORKING WITH TEXT DATA

这一章是完整的进行一个数据挖掘的过程：

在这一章中，学习1，如何加载一个文件组件和分类，2，抽取特征向量，3，训练一个线性模型，4使用网格搜索调优。

3.2 加载一个20新闻组数据

20,000 newsgroup documents,  

>>> categories = ['alt.atheism', 'soc.religion.christian',... 'comp.graphics', 'sci.med'] 

>>> from sklearn.datasets import fetch_20newsgroups
>>> twenty_train = fetch_20newsgroups(subset='train',
... categories=categories, shuffle=True, random_state=42) 

>>> twenty_train.target_names
['alt.atheism', 'comp.graphics', 'sci.med', 'soc.religion.christian'] 

>>> len(twenty_train.data)
2257
>>> len(twenty_train.filenames)2257 

打印第一个加载文件的前三行

>>> print("\n".join(twenty_train.data[0].split("\n")[:3])) 

>>> print(twenty_train.target_names[twenty_train.target[0]]) 

>>> twenty_train.target[:10]

array([1, 1, 3, 3, 3, 3, 3, 2, 2, 2]) 

for t in twenty_train.target[:10]:
... print(twenty_train.target_names[t]) 

3.3 Extracting features from text files 

抽取特征，最直接的方式便是词袋模型，出现的问题是数据的稀疏问题，解决方法是只存储不为0的数据。

scipy.sparse   是专门解决这个问题的。

过滤停用词

>>> from sklearn.feature_extraction.text import CountVectorizer

>>> count_vect = CountVectorizer()
>>> X_train_counts = count_vect.fit_transform(twenty_train.data)

>>> X_train_counts.shape

(2257, 35788)

>>> count_vect.vocabulary_.get(u'algorithm')
返回索引4690 
3.3.3 词频
>>> from sklearn.feature_extraction.text import TfidfTransformer
>>> tf_transformer = TfidfTransformer(use_idf=False).fit(X_train_counts)
>>> X_train_tf = tf_transformer.transform(X_train_counts)
>>> X_train_tf.shape
(2257, 35788) 
首先使用fit(..) 这个函数来fit评估目标，然后使用transform(..) 来改变count-matrix 统计矩阵到tf-idf表示，然后fit_transform(..)是这两部的完整版，达到同样的效果， 即使用一部达到结果
>>> tfidf_transformer = TfidfTransformer()
>>> X_train_tfidf = tfidf_transformer.fit_transform(X_train_counts)
>>> X_train_tfidf.shape
3.4 训练一个分类器，
使用贝叶斯
>>> from sklearn.naive_bayes import MultinomialNB
>>> clf = MultinomialNB().fit(X_train_tfidf, twenty_train.target) 
>>> docs_new = ['God is love', 'OpenGL on the GPU is fast']
>>> from sklearn.feature_extraction.text import CountVectorizer
>>> count_vect = CountVectorizer()

>>> X_new_counts = count_vect.transform(docs_new)
>>> X_new_tfidf = tfidf_transformer.transform(X_new_counts)
>>> predicted = clf.predict(X_new_tfidf)
>>> for doc, category in zip(docs_new, predicted):
... print('%r => %s' % (doc, twenty_train.target_names[category]))...
3.5 对代码的封装 pipeline
>>> from sklearn.pipeline import Pipeline
>>> text_clf = Pipeline([('vect', CountVectorizer()),
...  ('tfidf', TfidfTransformer()),
...  ('clf', MultinomialNB()),... ]) 
>>> text_clf = text_clf.fit(twenty_train.data, twenty_train.target) 
3.6 评估代码的效果
>>> import numpy as np
>>> twenty_test = fetch_20newsgroups(subset='test',... categories=categories, shuffle=True, random_state=42)
>>> docs_test = twenty_test.data
>>> predicted = text_clf.predict(docs_test)
>>> np.mean(predicted == twenty_test.target)
0.834... 
使用svm来进行分类，进行对比
>>> from sklearn.linear_model import SGDClassifier
>>> text_clf = Pipeline([('vect', CountVectorizer()),('tfidf', TfidfTransformer()),

('clf', SGDClassifier(loss='hinge', penalty='l2',
alpha=1e-3, n_iter=5, random_state=42)),])
>>> _ = text_clf.fit(twenty_train.data, twenty_train.target)
>>> predicted = text_clf.predict(docs_test)
>>> np.mean(predicted == twenty_test.target)
0.912...
特征选择是减少模型复杂度的一个特殊种类。其他的方法是：（a）减少线性回归多项式模型的次数，（b）减少人工神经网络节点的个数/层数，（c）增加RBF核的带宽等等。
减少过拟合的另外一种选择：
增加分类器的正则化（减少线性SVC的C的系数）
我们有了1000个样本，要预测一个类别，并且有了标签，使用LinearSVC（LinearSVC代表线性核的支持向量分类）。LinearSVC需要选择正则化；我们使用标准L2范数惩罚和C=10.
对于更多的特征和样本，LinearSVC在这样大小的数据集上会有一点慢；使用SGDClassifier。这个分类器学习到一个线性模型（就像LinearSVC或logistic回归），但是它在训练中使用随机梯度下降（就像反向传播的人工神经网络一样）。
SGDClassifier允许小批量扫描数据，这对于数据量太大不能放到内存中时有帮助。交叉验证和这项技术不兼容；使用逐步验证代替：这里，估计器总是在训练数据集的下一块上进行测试（在用它进行训练之前）。训练之后，会再次进行测试来检查它适应数据的能力。
但是SGDClassifier很不幸的不兼容核技巧rbf。替代方法是可以使用一个多层的感知机，它也可以使用随机梯度下降进行训练。
sklearn提供的更全面的衡量标准：
>>> from sklearn import metrics
>>> print(metrics.classification_report(twenty_test.target, predicted,... target_names=twenty_test.target_names))
       
>>> metrics.confusion_matrix(twenty_test.target, predicted) 
3.7 参数
使用梯度下降找到最优参数
>>> from sklearn.grid_search import GridSearchCV
>>> parameters = {'vect__ngram_range': [(1, 1), (1, 2)],
...  'tfidf__use_idf': (True, False),
...  'clf__alpha': (1e-2, 1e-3),... } 
>>> gs_clf = GridSearchCV(text_clf, parameters, n_jobs=-1)
在一个小的数据集上训练 
>>> gs_clf = gs_clf.fit(twenty_train.data[:400], twenty_train.target[:400]) ‘
>>> twenty_train.target_names[gs_clf.predict(['God is love'])]'soc.religion.christian' 
>>> best_parameters, score, _ = max(gs_clf.grid_scores_, key=lambda x: x[1])
>>> for param_name in sorted(parameters.keys()):
... print("%s: %r" % (param_name, best_parameters[param_name]))
...