如何使用 n-gram 进行分类任务？

Question

我将使用n-gram在样本数据集上训练分类器。 我搜索了相关内容，写了下面的代码。 由于我是 python 的初学者，我有两个问题。

1- 为什么字典应该有这个“真实”的结构（用注释标记）？ 这与朴素贝叶斯分类器输入有关吗？

2- 你推荐哪个分类器来完成这个任务？

欢迎任何其他缩短代码的建议:)。

from nltk.corpus import movie_reviews
from nltk.corpus import stopwords
from nltk import ngrams
from nltk.classify import NaiveBayesClassifier
import nltk.classify.util


stoplist = set(stopwords.words("english"))


def stopword_removal(words):
    useful_words = [word for word in words if word not in stoplist]
    return useful_words


def create_ngram_features(words, n):
    ngram_vocab = ngrams(words, n)
    my_dict = dict([(ng, True) for ng in ngram_vocab])  # HERE
    return my_dict


for n in [1,2]:
    positive_data = []
    for fileid in movie_reviews.fileids('pos'):
        words = stopword_removal(movie_reviews.words(fileid))
        positive_data.append((create_ngram_features(words, n), "positive"))
    print('\n\n---------- Positive Data Sample----------\n', positive_data[0])

    negative_data = []
    for fileid in movie_reviews.fileids('neg'):
        words = stopword_removal(movie_reviews.words(fileid))
        negative_data.append((create_ngram_features(words, n), "negative"))
    print('\n\n---------- Negative Data Sample ----------\n', negative_data[0])

    train_set = positive_data[:100] + negative_data[:100]
    test_set = positive_data[100:] + negative_data[100:]

    classifier = NaiveBayesClassifier.train(train_set)

    accuracy = nltk.classify.util.accuracy(classifier, test_set)
    print('\n', str(n)+'-gram accuracy:', accuracy)

Answer 1

在数据训练之前，您需要将 n-gram 转换为大小为 <number_of_documents, max_document_representation_length> 的代码矩阵。 例如，文档表示是一个词袋，其中语料库词典的每个词/n-gram 在文档中都有其频率。

朴素贝叶斯分类器是最简单的分类器。 但它在嘈杂的数据上效果不佳，并且需要平衡数据类的分布进行训练。 您可以尝试使用任何提升分类器，例如梯度提升机或支持向量机。

所有分类器和转换器都在scikit-learn库中可用。