Python NLP - Sklearn - 文本分类器，一元和二元对于负标签和正标签都相同

Question

我正在尝试创建一个文本分类器来确定摘要是否表示访问护理研究项目。我正在从具有两个字段的数据集导入：Abstract 和 Accessclass。摘要是关于项目的 500 字描述，Accessclass 为 0 表示不与访问相关，1 表示与访问相关。我仍处于开发阶段，但是当我查看 0 和 1 标签的一元和二元时，它们是相同的，尽管文本的色调截然不同。我的代码中是否缺少某些内容？例如，我是否不小心将负数或正数加倍？任何帮助表示赞赏。

import pandas as pd
import numpy as np
import nltk
from nltk.corpus import stopwords
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn import naive_bayes

df = pd.read_excel("accessclasses.xlsx")
df.head()

from io import StringIO
col = ['accessclass', 'abstract']
df = df[col]
df = df[pd.notnull(df['abstract'])]
df.columns = ['accessclass', 'abstract']
df['category_id'] = df['accessclass'].factorize()[0]
category_id_df = df[['accessclass', 'category_id']].drop_duplicates().sort_values('category_id')
category_to_id = dict(category_id_df.values)
id_to_category = dict(category_id_df[['category_id', 'accessclass']].values)
df.head()

from sklearn.feature_extraction.text import TfidfVectorizer
tfidf = TfidfVectorizer(sublinear_tf=True, min_df=4, norm='l2', encoding='latin-1', ngram_range=(1, 
2), stop_words='english')
features = tfidf.fit_transform(df.abstract).toarray()
labels = df.category_id
print(features.shape)

from sklearn.feature_selection import chi2
import numpy as np
N = 2
for accessclass, category_id in sorted(category_to_id.items()):
   features_chi2 = chi2(features, labels == category_id)
   indices = np.argsort(features_chi2[0])
   feature_names = np.array(tfidf.get_feature_names())[indices]
   unigrams = [v for v in feature_names if len(v.split(' ')) == 1]
   bigrams = [v for v in feature_names if len(v.split(' ')) == 2]
   print("# '{}':".format(accessclass))
   print("  . Most correlated unigrams:\n. {}".format('\n. '.join(unigrams[-N:])))
   print("  . Most correlated bigrams:\n. {}".format('\n. '.join(bigrams[-N:])))

Answer 1

我认为您的代码中的问题是在这个小数据集上设置min_df 与4 这样的大数字。根据您发布的数据，最常见的词是使用TfidfVectorizer 后将被删除的停用词。他们在这里：

to :  19
and :  11
a :  6
the :  6
are :  6
of :  6
for :  5
is :  4
in :  4
will :  4
access :  4
I :  4
times :  4
healthcare :  3
more :  3
have :  3
with :  3
...

这些是一元...二元数会低得多。

您可以通过以下两个选项之一解决此问题：

• 将stopwords 参数设置为None 就像这样stopwords=None
• 将min_df 设置为低于4，例如1 或2。

我建议使用第二个选项，因为第一个选项将返回相关的停用词，这根本没有帮助。我试过使用min_df=1，结果如下：

  . Most correlated unigrams:
. times
. access

  . Most correlated bigrams:
. enjoyed watching
. wait times