BoW ナイーブベイズ分類器の構築

Pythonで学ぶNLPの特徴量エンジニアリング

Rounak Banik

Data Scientist

スパム判定

message label
WINNER!! As a valued network customer you have been selected to receive a $900 prize reward! To claim call 09061701461 spam
Ah, work. I vaguely remember that. What does it feel like? ham
Pythonで学ぶNLPの特徴量エンジニアリング

手順

  1. テキスト前処理
  2. Bag-of-Words(表現)の作成
  3. 機械学習
Pythonで学ぶNLPの特徴量エンジニアリング

CountVectorizer によるテキスト前処理

CountVectorizer の主な引数

  • lowercase: False, True
  • strip_accents: 'unciode', 'ascii', None
  • stop_words: 'english', list, None
  • token_pattern: regex
  • tokenizer: function
Pythonで学ぶNLPの特徴量エンジニアリング

BoW モデルの構築

# Import CountVectorizer
from sklearn.feature_extraction.text import CountVectorizer

# Create CountVectorizer object vectorizer = CountVectorizer(strip_accents='ascii', stop_words='english', lowercase=False)
# Import train_test_split from sklearn.model_selection import train_test_split # Split into training and test sets X_train, X_test, y_train, y_test = train_test_split(df['message'], df['label'], test_size=0.25)
Pythonで学ぶNLPの特徴量エンジニアリング

BoW モデルの構築

...
...
# Generate training Bow vectors
X_train_bow = vectorizer.fit_transform(X_train)

# Generate test BoW vectors X_test_bow = vectorizer.transform(X_test)
Pythonで学ぶNLPの特徴量エンジニアリング

ナイーブベイズ分類器の学習

# Import MultinomialNB
from sklearn.naive_bayes import MultinomialNB

# Create MultinomialNB object clf = MultinomialNB()
# Train clf clf.fit(X_train_bow, y_train)
# Compute accuracy on test set accuracy = clf.score(X_test_bow, y_test) print(accuracy)
0.760051
Pythonで学ぶNLPの特徴量エンジニアリング

Passons à la pratique !

Pythonで学ぶNLPの特徴量エンジニアリング

Preparing Video For Download...