我正在尝试建立文本分类器,以根据Twitter用户的推文来预测其性别。这是我第一次构建文本分类模型,我不确定我的步骤。
两个数据框
我有一个充当训练数据集的数据框。它包含每个用户ID及其性别。
train_lables=({'id':['33324','24442','3956'],
'gender':['female','male','male']})
train_lables=pd.DataFrame(train_lables)
我还有一个数据集,可以用作训练和测试数据集。它包含用户的推文。
tweets=({'id':['33324','24442','3956'],
'tweets':[['hello','trump','today'],['blue','eyes','brown','hair'],['playstation','june']]})
tweets=pd.DataFrame(tweets)
元组?
我想执行特征提取以训练我的模型。到目前为止,我已经使用每个数据帧中的每一行创建了元组,如下所示。
#gender for each user id
training_labels_tuple=[tuple(x) for x in training_labels.to_records(index=False)]
输出为
[('33324', 'female'), ('24442', 'male'), ('3956', 'male')]
以及用户标识和推文的元组
tweets_tuple=[tuple(x) for x in tweets.to_records(index=False)]
输出为
[('33324', ['hello', 'trump', 'today']),
('24442', ['blue', 'eyes', 'brown', 'hair']),
('3956', ['playstation', 'june'])]
我不确定是否应该将推文和性别合并到一个元组中,并用其来训练我的模型。
有人可以指导我完成正确的步骤以提取模型的特征吗?
Chapter 6的[nltk book专门讨论了这个确切的问题(使用性别识别示例的文本分类)。
您可以做的最简单的特征化和分类只是将整个tweet作为字符串用作唯一输入功能,并将其传递给朴素的贝叶斯分类器:
import random
import nltk
import pandas as pd
# input data
df = pd.DataFrame({
'id':['33324','24442','3956'],
'gender':['female','male','male'],
'tweets':[['hello','trump','today'],['blue','eyes','brown','hair'],['playstation','june']]
})
# featurize data to input into classifier
features = []
for tweet, gender in zip(df["tweets"], df["gender"]):
features.append(({"feature": " ".join(tweet)}, gender))
# shuffle features
random.shuffle(features)
# train test split, obvs use different split values for the real set or use sklearns train_test_split function
train_set, test_set = features[:2], features[2:]
# train
clf = nltk.NaiveBayesClassifier.train(train_set)
# test
print(nltk.classify.accuracy(clf, test_set))
nltk书中提供了有关策略的大量信息,您可以用来提取比我上面做的更多的信息功能。