公众号：数据挖掘与机器学习笔记
1.TF-IDF算法步骤
1.1 计算词频
考虑到文章有长短之分，为了便于不同文章的比较，进行"词频"标准化。
1.2 计算逆文档频率
需要一个语料库（corpus），用来模拟语言的使用环境。
如果一个词越常见，那么分母就越大，逆文档频率就越小越接近0。分母之所以要加1，是为了避免分母为0（即所有文档都不包含该词）。log表示对得到的值取对数。
1.3 计算TF-IDF
可以看到，TF-IDF与一个词在文档中的出现次数成正比，与该词在整个语言中的出现次数成反比。所以，自动提取关键词的算法就很清楚了，就是计算出文档的每个词的TF-IDF值，然后按降序排列，取排在最前面的几个词。
1.4 优缺点
TF-IDF的优点是简单快速，而且容易理解。缺点是有时候用词频来衡量文章中的一个词的重要性不够全面，有时候重要的词出现的可能不够多，而且这种计算无法体现位置信息，无法体现词在上下文的重要性。如果要体现词的上下文结构，那么你可能需要使用word2vec算法来支持。
2. LogisticRegression基本原理
2.1 什么是LR
logistic回归虽然说是回归，但确是为了解决分类问题，是二分类任务的首选方法，简单来说，输出结果不是0就是1。逻辑回归（Logistic Regression）与线性回归（Linear Regression）都是一种广义线性模型（generalized linear model）。
逻辑回归假设因变量 y 服从二项分布，而线性回归假设因变量 y 服从高斯分布。
因此与线性回归有很多相同之处，去除Sigmoid映射函数的话，逻辑回归算法就是一个线性回归。
可以说，逻辑回归是以线性回归为理论支持的，但是逻辑回归通过Sigmoid函数引入了非线性因素，因此可以轻松处理0/1分类问题。
换种说法：
线性回归，直接可以分为两类，
但是对于图二来说，在角落加上一块蓝色点之后，线性回归的线会向下倾斜，参考紫色的线，
但是logistic回归（参考绿色的线）分类的还是很准确，logistic回归在解决分类问题上还是不错的
2.2 LR原理
Sigmoid函数：
曲线：
之后推导公式中会用到：
我们希望随机数据点被正确分类的概率最大化，这就是最大似然估计。
最大似然估计是统计模型中估计参数的通用方法。
你可以使用不同的方法（如优化算法）来最大化概率。
牛顿法也是其中一种，可用于查找许多不同函数的最大值（或最小值），包括似然函数。也可以用梯度下降法代替牛顿法。
既然是为了解决二分类问题，其实也就是概率的问题，分类其实都是概率问题。
假定：
y=1和y=0的时候的概率
似然函数：其实就是概率相乘，然后左右两边同时取对数
对数似然函数，求导，得到θ的梯度
因为P=g(θX),P其实是θ的函数，X已知，要想P越大，就要θ越大，梯度上升问题
得到θ的学习规则：α为学习率
最后将θ带入h(x)函数，求出概率
总结来说：
比较一下logistic回归的参数学习规则和线性回归的参数学习规则
两个都是如下，形式一样，只是不同的是
线性回归 h(x)=θX
logistic回归
一个使用的模型是线性函数，一个使用的是sigmoid函数
3.使用TF-IDF和LR进行文本分类
import os
import jieba
import re
import pickle
from sklearn
.externals
import joblib
from sklearn
.feature_extraction
.text
import TfidfTransformer
from sklearn
.feature_extraction
.text
import CountVectorizer
from sklearn
.naive_bayes
import MultinomialNB
from sklearn
.linear_model
import LogisticRegression
"""
基于tfidf和朴素贝叶斯或者LogisticRegression的文本分类
"""
def textSegment(filePath
):
"""
读取文本文件并进行分词
:param filePath:文件路径
:return:
"""
textLines
= open(filePath
, "r", encoding
="utf-8").read
()
textLines
= re
.sub
("[^\u4e00-\u9fa5]", "", textLines
)
textLines
= jieba
.cut
(textLines
)
return " ".join
(textLines
)
def loadTextFiles(fileDir
, label
):
"""
获取指定目录下的文件及相应的标签,每个文件表示一个训练或测试样本，并进行相应地分词
:param fileDir:文件目录
:param label:标签
:return:
"""
textFiles
= os
.listdir
(fileDir
)
textLineList
= []
labels
= []
for file in textFiles
:
filePath
= fileDir
+ "/" + file
textLineList
.append
(textSegment
(filePath
))
labels
.append
(label
)
return textLineList
, labels
def loadTrainDataset(fileDir
, countVectorizer
, use_bow
=False):
"""
:param fileDir: 训练文件目录
:param countVectorizer: CountVectorizer类
:param use_bow:默认为False，使用tfidf特征作为输入，否则使用词袋向量
:return:
"""
textLineList1
, labels1
= loadTextFiles
(fileDir
+ "hotel", "宾馆")
textLineList2
, labels2
= loadTextFiles
(fileDir
+ "travel", "旅游")
textLineList
= textLineList1
+ textLineList2
labels
= labels1
+ labels2
vectorMatrix
= countVectorizer
.fit_transform
(textLineList
)
if not use_bow
:
vectorMatrix
= TfidfTransformer
(use_idf
=False).fit_transform
(vectorMatrix
)
return vectorMatrix
, labels
def train(vectorMatrix
, labels
, modelType
="NB"):
"""
模型训练
:param vectorMatrix:特征
:param labels:标签
:param modelType:模型类型，默认为朴素贝叶斯
:return:
"""
if modelType
== "LR":
clf
= LogisticRegression
(penalty
="l2")
else:
clf
= MultinomialNB
()
clf
.fit
(vectorMatrix
, labels
)
return clf
def saveModel(clf
, savedPath
):
joblib
.dump
(clf
, savedPath
)
def loadModel(savedPath
):
return joblib
.load
(savedPath
)
if __name__
== '__main__':
fileDir
= "F:\\data\\machine_learning\\分类数据\\dataset\\train\\"
model
= loadModel
(savedPath
="../../../models/lr_model.m")
代码：https://github.com/chongzicbo/nlp-ml-dl-notes/blob/master/code/textclassification/tfidf_nb.py
参考：
[1]https://zhuanlan.zhihu.com/p/31197209
[2]https://www.cnblogs.com/xiuercui/p/11945567.html
