机器学习框架ML.NET学习笔记【3】文本特征分析-白红宇

机器学习框架ML.NET学习笔记【3】文本特征分析

阅读量：451 次

发布时间：2019-03-06

本文共 6172 字，大约阅读时间需要 20 分钟。

一、要解决的问题

问题：常常一些单位或组织召开会议时需要录入会议记录，我们需要通过机器学习对用户输入的文本内容进行自动评判，合格或不合格。（同样的问题还类似垃圾短信检测、工作日志质量分析等。）

处理思路：我们人工对现有会议记录进行评判，标记合格或不合格，通过对这些记录的学习形成模型，学习算法仍采用二元分类的快速决策树算法，和上一篇文章不同，这次输入的特征值不再是浮点数，而是中文文本。这里就要涉及到文本特征提取。

为什么要进行文本特征提取呢？因为文本是人类的语言，符号文字序列不能直接传递给算法。而计算机程序算法只接受具有固定长度的数字矩阵特征向量(float或float数组)，无法理解可变长度的文本文档。

常用的文本特征提取方法有如下几种：

以上只是需要了解大致的含义，我们不需要去实现一个文本特征提取的算法，只需要使用平台自带的方法就可以了。

系统自带的文本特征处理的方法，输入是一个字符串，要求将一个语句中的词语用空格分开，英语的句子中词汇是天生通过空格分割的，但中文句子不是，所以我们需要首先进行分词操作，具体流程如下：

二、代码

代码整体流程和上一篇文章描述的基本一致，为简便起见，我们省略了模型存储和读取的过程。

先看一下数据集：

代码如下：

namespace BinaryClassification_TextFeaturize{    class Program    {        static readonly string DataPath = Path.Combine(Environment.CurrentDirectory, "Data", "meeting_data_full.csv");        static void Main(string[] args)        {            MLContext mlContext = new MLContext();            var fulldata = mlContext.Data.LoadFromTextFile
     
      (DataPath, separatorChar: ',', hasHeader: false);            var trainTestData = mlContext.Data.TrainTestSplit(fulldata, testFraction: 0.15);            var trainData = trainTestData.TrainSet;            var testData = trainTestData.TestSet;            var trainingPipeline = mlContext.Transforms.CustomMapping
      
       (mapAction: JiebaLambda.MyAction, contractName: "JiebaLambda")                .Append(mlContext.Transforms.Text.FeaturizeText(outputColumnName: "Features", inputColumnName: "JiebaText"))                .Append(mlContext.BinaryClassification.Trainers.FastTree(labelColumnName: "Label", featureColumnName: "Features"));            ITransformer trainedModel = trainingPipeline.Fit(trainData);                        //评估            var predictions = trainedModel.Transform(testData);                       var metrics = mlContext.BinaryClassification.Evaluate(data: predictions, labelColumnName: "Label");            Console.WriteLine($"Evalution Accuracy: {metrics.Accuracy:P2}");                       //创建预测引擎            var predEngine = mlContext.Model.CreatePredictionEngine
       
        (trainedModel);            //预测1            MeetingInfo sampleStatement1 = new MeetingInfo { Text = "支委会。" };            var predictionresult1 = predEngine.Predict(sampleStatement1);            Console.WriteLine($"{sampleStatement1.Text}:{predictionresult1.PredictedLabel}");                     //预测2            MeetingInfo sampleStatement2 = new MeetingInfo { Text = "开展新时代中国特色社会主义思想三十讲党员答题活动。" };            var predictionresult2 = predEngine.Predict(sampleStatement2);            Console.WriteLine($"{sampleStatement2.Text}:{predictionresult2.PredictedLabel}");                    Console.WriteLine("Press any to exit!");            Console.ReadKey();        }            }    public class MeetingInfo    {        [LoadColumn(0)]        public bool Label { get; set; }        [LoadColumn(1)]        public string Text { get; set; }    }    public class PredictionResult : MeetingInfo    {        public string JiebaText { get; set; }        public float[] Features { get; set; }        public bool PredictedLabel;        public float Score;        public float Probability;            }}

View Code

三、代码分析

和上一篇文章中相似的内容我就不再重复解释了，重点介绍一下学习管道的建立。

var trainingPipeline = mlContext.Transforms.CustomMapping
    
     (mapAction: JiebaLambda.MyAction, contractName: "JiebaLambda")    .Append(mlContext.Transforms.Text.FeaturizeText(outputColumnName: "Features", inputColumnName: "JiebaText"))    .Append(mlContext.BinaryClassification.Trainers.FastTree(labelColumnName: "Label", featureColumnName: "Features"));

首先，在进行文本特征转换之前，我们需要对文本进行分词操作，您可以对样本数据进行预处理，形成分词的结果再进行学习，我们没有采用这个方法，而是自定义了一个分词处理的数据处理管道，通过这个管道进行分词，其定义如下：

namespace BinaryClassification_TextFeaturize{    public class JiebaLambdaInput    {        public string Text { get; set; }    }    public class JiebaLambdaOutput    {        public string JiebaText { get; set; }    }    public class JiebaLambda    {               public static void MyAction(JiebaLambdaInput input, JiebaLambdaOutput output)        {            JiebaNet.Segmenter.JiebaSegmenter jiebaSegmenter = new JiebaNet.Segmenter.JiebaSegmenter();            output.JiebaText = string.Join(" ", jiebaSegmenter.Cut(input.Text));                  }            }}

最后我们新建了两个对象进行实际预测：

//预测1            MeetingInfo sampleStatement1 = new MeetingInfo { Text = "支委会。" };            var predictionresult1 = predEngine.Predict(sampleStatement1);            Console.WriteLine($"{sampleStatement1.Text}:{predictionresult1.PredictedLabel}");                     //预测2            MeetingInfo sampleStatement2 = new MeetingInfo { Text = "开展新时代中国特色社会主义思想三十讲党员答题活动。" };            var predictionresult2 = predEngine.Predict(sampleStatement2);            Console.WriteLine($"{sampleStatement2.Text}:{predictionresult2.PredictedLabel}");

预测结果如下：

四、调试

上一篇文章提到，当我们运行Transform方法时，会对所有记录进行转换，转换后的数据集是什么样子呢，我们可以写一个调试程序看一下。

var predictions = trainedModel.Transform(testData);        DebugData(mlContext, predictions);        private static void DebugData(MLContext mlContext, IDataView predictions)        {            var trainDataShow = new List
    
     (mlContext.Data.CreateEnumerable
     
      (predictions, false, true));            foreach (var dataline in trainDataShow)            {                dataline.PrintToConsole();            }        }    public class PredictionResult     {        public string JiebaText { get; set; }        public float[] Features { get; set; }        public bool PredictedLabel;        public float Score;        public float Probability;        public void PrintToConsole()        {            Console.WriteLine($"JiebaText={JiebaText}");            Console.WriteLine($"PredictedLabel:{PredictedLabel},Score:{Score},Probability:{Probability}");            Console.WriteLine($"TextFeatures Length:{Features.Length}");            if (Features != null)            {                foreach (var f in Features)                {                    Console.Write($"{f},");                }                Console.WriteLine();            }            Console.WriteLine();        }    }

通过对调试结果的分析，可以看到整个数据处理管道的工作流程。

五、资源获取

源码下载地址：https://github.com/seabluescn/Study_ML.NET

工程名称：BinaryClassification_TextFeaturize

转载地址：http://eejfz.baihongyu.com/

你可能感兴趣的文章