Förbered text för modellering

Introduktion till naturlig språkbehandling i R

Kasey Jones

Research Data Scientist

Övervakad inlärning i R: klassificering

Supervised Learning in R: Classification

Klassificeringsmodellering

övervakad inlärning
klassificerar observationer i kategorier
- vinst/förlust
- farlig, vänlig eller likgiltig
flera tekniker kan användas:
- logistisk regression
- beslutsträd/random forest/xgboost
- neurala nätverk
- m.m.

Grundläggande modelleringssteg

Rensa/förbered data
Skapa tränings- och testdatamängder
Träna en modell på träningsdatamängden
Rapportera noggrannhet på testdatamängden

Karaktärsigenkänning

Napoleon

Boxer Boxer

¹ https://comicvine.gamespot.com/napoleon/4005-141035/ ² https://hero.fandom.com/wiki/Boxer_(Animal_Farm)

Djurmeningar

# 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, ]

Meningar, fortsättning

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])

Förbered data

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))

Förberedelse, fortsättning

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

Ta bort glesa termer

Icke-tomma (1 235) + tomma (102 865)
Matrisdimensioner 150 * 694
Gleshet: 102 865 / 104 100 (99 %)

Lösning: removeSparseTerms()

Hur glest är för glest?

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%

Nu kör vi en övning!

Introduktion till naturlig språkbehandling i R