Příprava textu pro modelování

Úvod do zpracování přirozeného jazyka v R

Kasey Jones

Research Data Scientist

Učení s učitelem v R: klasifikace

Úvod do zpracování přirozeného jazyka v R

Klasifikační modelování

  • přístup učení s učitelem
  • klasifikuje pozorování do kategorií
    • výhra/prohra
    • nebezpečný, přátelský nebo neutrální
  • lze použít různé techniky:
    • logistická regrese
    • rozhodovací stromy/náhodný les/xgboost
    • neuronové sítě
    • atd.
Úvod do zpracování přirozeného jazyka v R

Základní kroky modelování

  1. Vyčistit/připravit data
  2. Vytvořit trénovací a testovací datové sady
  3. Natrénovat model na trénovací sadě
  4. Vyhodnotit přesnost na testovací sadě
Úvod do zpracování přirozeného jazyka v R

Rozpoznávání postav

Napoloeon Napoleon

Boxer Boxer

1 https://comicvine.gamespot.com/napoleon/4005-141035/ 2 https://hero.fandom.com/wiki/Boxer_(Animal_Farm)
Úvod do zpracování přirozeného jazyka v R

Věty o zvířatech

# Make sentences
sentences <- animal_farm %>%
  unnest_tokens(output = "sentence", token = "sentences", input = text_column)

# Label sentences by animal
sentences$boxer <- grepl('boxer', sentences$sentence)
sentences$napoleon <- grepl('napoleon', sentences$sentence)

# Replace the animal name
sentences$sentence <- gsub("boxer", "animal X", sentences$sentence)
sentences$sentence <- gsub("napoleon", "animal X", sentences$sentence)
animal_sentences <- sentences[sentences$boxer + sentences$napoleon == 1, ]
Úvod do zpracování přirozeného jazyka v R

Věty – pokračování

animal_sentences$Name <-
    as.factor(ifelse(animal_sentences$boxer, "boxer", "napoleon"))

# 75 of each
animal_sentences <- 
  rbind(animal_sentences[animal_sentences$Name == "boxer", ][c(1:75), ],
        animal_sentences[animal_sentences$Name == "napoleon", ][c(1:75), ])
animal_sentences$sentence_id <- c(1:dim(animal_sentences)[1])
Úvod do zpracování přirozeného jazyka v R

Příprava dat

library(tm); library(tidytext)
library(dplyr); library(SnowballC)

animal_tokens <- animal_sentences %>%
  unnest_tokens(output = "word", token = "words", input = sentence) %>%
  anti_join(stop_words) %>%
  mutate(word = wordStem(word))
Úvod do zpracování přirozeného jazyka v R

Příprava – pokračování

animal_matrix <- animal_tokens %>%
  count(sentence_id, word) %>%
  cast_dtm(document = sentence_id, term = word,
           value = n, weighting = tm::weightTfIdf)
animal_matrix

<<DocumentTermMatrix (documents: 150, terms: 694)>>
Non-/sparse entries: 1235/102865
Sparsity           : 99%
Maximal term length: 17
Weighting          : term frequency - inverse document frequency
Úvod do zpracování přirozeného jazyka v R

Odstranění řídkých termínů

  • Neprázdné (1 235) + prázdné (102 865)
  • Rozměry matice 150 × 694
  • Řídkost: 102 865 / 104 100 (99 %)

Řešení: removeSparseTerms()

Úvod do zpracování přirozeného jazyka v R

Jak moc řídká je příliš řídká?

removeSparseTerms(animal_matrix, sparse = .90)

<<DocumentTermMatrix (documents: 150, terms: 4)>>
Non-/sparse entries: 207/393
Sparsity           : 66%

removeSparseTerms(animal_matrix, sparse = .99)

removeSparseTerms(animal_matrix, sparse = .99)
<<DocumentTermMatrix (documents: 150, terms: 172)>>
Non-/sparse entries: 713/25087
Sparsity           : 97%
Úvod do zpracování přirozeného jazyka v R

Pojďme si procvičit!

Úvod do zpracování přirozeného jazyka v R

Preparing Video For Download...