分類建模

R 的自然語言處理入門

Kasey Jones

Research Data Scientist

步驟重點回顧

清理／準備資料
- 僅篩選 Boxer／Napoleon 句子
- 建立清理後的文字標記
- 以 TFIDF 權重建立文件－詞矩陣
建立訓練集與測試集
在訓練集上訓練模型
在測試集回報準確率

步驟 2：切分資料

set.seed(1111)
sample_size <- floor(0.80 * nrow(animal_matrix))
train_ind <- sample(nrow(animal_matrix), size = sample_size)

train <- animal_matrix[train_ind, ]
test <- animal_matrix[-train_ind, ]

隨機森林模型

Machine Learning with Tree-Based Models in R

分類範例

library(randomForest)
rfc <- randomForest(x = as.data.frame(as.matrix(train)), 
                    y = animal_sentences$Name[train_ind], nTree = 50)
rfc

Call:
 randomForest(...
        OOB estimate of  error rate: 23.33%
Confusion matrix:
         boxer napoleon class.error
boxer       37       20   0.3508772
napoleon     8       55   0.1269841

混淆矩陣

Call:
 randomForest(...
        OOB estimate of  error rate: 23.33%
Confusion matrix:
         boxer napoleon class.error
boxer       37       20   0.3508772
napoleon     8       55   0.1269841

準確率：(37 + 55) / (37 + 20 + 8 + 55) = 76%

測試集預測

y_pred <- predict(rfc, newdata = as.data.frame(as.matrix(test)))

table(animal_sentences[-train_ind, ]$Name, y_pred)

          y_pred
           boxer napoleon
  boxer       14        4
  napoleon     2       10

boxer 的準確率：14/18
napoleon 的準確率：10/12
整體準確率：24/30 = 80%

分類練習

R 的自然語言處理入門