-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathmashinelearning3_1.py
174 lines (124 loc) · 7.73 KB
/
mashinelearning3_1.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
import nltk
import pandas as pd
from nltk.corpus import stopwords
from nltk.stem import PorterStemmer
from nltk.tokenize import RegexpTokenizer
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_selection import RFECV
from sklearn.metrics import accuracy_score, f1_score, precision_score, recall_score
from collections import Counter
from tqdm import tqdm
import warnings
warnings.filterwarnings("ignore")
nltk.download('stopwords')
nltk.download('punkt')
tokenizer = RegexpTokenizer(r'[a-zA-Z]+')
stemmer = PorterStemmer()
# Загрузка тренировочного датасета (файл должен быть в одной папке с исполняемым скриптом)
df_train = pd.read_csv('Task_3_id_train.csv')
# Все тексты в одной строке
corpus = ' '.join(df_train.iloc[:, 0])
# Вся используемая в корпусе пунктуация, сохраняется для дальнейшего использования
punct = set([x for x in corpus if not x.isalnum() and not x.isspace()])
# Распределение частот слов
word_freq = Counter([stemmer.stem(x) for x in tokenizer.tokenize(corpus)])
# Единожды использованные в корпусе слова, сохраняются для дальнейшего использования
hapax_legomena = [x for x in word_freq.keys() if word_freq[x] == 1]
# Дважды использованные в корпусе слова, сохраняются для дальнейшего использования
dis_legomena = [x for x in word_freq.keys() if word_freq[x] == 2]
def stylistic(df_column, hapax_legomena, dis_legomena, punct):
# Вектор имен признаков
stylistic_names = ['avg_word_len', 'short_word_freq', 'digit_freq', 'uppercase_freq', 'alpha_freq'] + \
['hapax' + x for x in hapax_legomena] + ['dis' + x for x in dis_legomena] + \
['stopword_freq'] + [x + '_freq' for x in punct]
stylistic_feature_array = []
for idx, text in tqdm(enumerate(df_column)):
words = tokenizer.tokenize(text)
# Средняя длина слов в тексте
avg_word_len = sum(len(x) for x in words) / len(words)
# Частота коротких слов
short_word_freq = len([x for x in words if len(x) <= 5]) / len(words)
# Частота цифр в тексте
digit_freq = sum(c.isdigit() for c in text) / len(text)
# Частота заглавных букв в тексте
uppercase_freq = sum(c.isupper() for c in text) / len(text)
# Частота букв в тексте
alpha_freq = sum(c.isalpha() for c in text) / len(text)
# Бинарный вектор для гапаксов корпуса
hapaxes = [x in words for x in hapax_legomena]
# Бинарный вектор для дислегоменонов корпуса
dises = [x in words for x in dis_legomena]
# Частота стоп-слов в тексте
stopword_freq = sum(x in stopwords.words('english') for x in words)
# Вектор частот знаков препинания в тексте
char_count = [text.count(x) / len(text) for x in punct]
stylistic_feature_array.append([avg_word_len, short_word_freq, digit_freq, uppercase_freq, alpha_freq]
+ hapaxes + dises + [stopword_freq] + char_count)
stylistic_features = pd.DataFrame(stylistic_feature_array)
stylistic_features.columns = stylistic_names
return stylistic_features
# Векторизаторы n-грамм слов, сохраняются для дальнейшего использования
word_vectorizers = {}
# Предобработка текстов: удаление всего, кроме слов, и их стемминг
def preprocess(text):
return ' '.join([stemmer.stem(x).lower() for x in tokenizer.tokenize(text) \
if x not in stopwords.words('english')])
for i in tqdm(range(1, 4)):
vectorizer = CountVectorizer(ngram_range=(i, i), max_features=100, preprocessor=preprocess)
vectorizer.fit(df_train.iloc[:, 0].to_list())
word_vectorizers.update({i: vectorizer})
def content(df_column, vectorizer_dict):
feature_names = []
content_features = pd.DataFrame()
for i in vectorizer_dict.keys():
vectorizer = vectorizer_dict[i]
ngram_counts = vectorizer.transform(df_column.to_list())
feature_names += ['_'.join(x.split(' ')) for x in vectorizer.get_feature_names()]
content_features = pd.concat([content_features, pd.DataFrame.sparse.from_spmatrix(ngram_counts)], axis=1)
content_features.columns = feature_names
return content_features
# Векторизаторы n-грамм символов, сохраняются для дальнейшего использования
char_vectorizers = {}
for i in tqdm(range(2, 4)):
vectorizer = CountVectorizer(ngram_range=(i, i), max_features=100, analyzer='char')
vectorizer.fit(df_train.iloc[:, 0].to_list())
char_vectorizers.update({i: vectorizer})
def hybrid(df_column, vectorizer_dict):
feature_names = []
hybrid_features = pd.DataFrame()
for i in vectorizer_dict.keys():
vectorizer = vectorizer_dict[i]
ngram_counts = vectorizer.transform(df_column.to_list())
feature_names += vectorizer.get_feature_names()
hybrid_features = pd.concat([hybrid_features, pd.DataFrame.sparse.from_spmatrix(ngram_counts)], axis=1)
hybrid_features.columns = feature_names
return hybrid_features
stylistic_train = stylistic(df_train.iloc[:, 0], hapax_legomena, dis_legomena, punct)
content_train = content(df_train.iloc[:, 0], word_vectorizers)
hybrid_train = hybrid(df_train.iloc[:, 0], char_vectorizers)
# Матрица из всех сгенерированных признаков
x_train = pd.concat([stylistic_train, content_train, hybrid_train], axis=1)
y_train = df_train.iloc[:, 1]
# Эстимейтор, использующийся для удаления признаков. Необходимо указать определенный random_state
rfc = RandomForestClassifier(n_jobs=20, random_state=1)
# Селектор признаков. Шаг указывается равным 0.1 для быстроты вычислений, минимальное количество остающихся
# признаков равно 10% количества изначальных признаков (округляется)
selector = RFECV(rfc, step=0.1, cv=5, min_features_to_select=round(x_train.shape[1] * 0.1))
selector = selector.fit(x_train, y_train)
feature_mask = selector.support_
# В финальном датасете оставляются все признаки, выбранные селектором
x_train = x_train.iloc[:, feature_mask]
a = pd.concat([x_train, y_train], axis=1)
a.to_csv('train_data.csv')
df_test = pd.read_csv('Task_3_id_test.csv')
# При формировании признаков используются данные, полученные с тренировочного датасета
stylistic_test = stylistic(df_test.iloc[:, 0], hapax_legomena, dis_legomena, punct)
content_test = content(df_test.iloc[:, 0], word_vectorizers)
hybrid_test = hybrid(df_test.iloc[:, 0], char_vectorizers)
x_test = pd.concat([stylistic_test, content_test, hybrid_test], axis=1)
y_test = df_test.iloc[:, 1]
# Оставляются те же признаки, что были выбраны для тренировочного датасета
x_test = x_test.iloc[:, feature_mask]
b = pd.concat([x_test, y_test], axis=1)
b.to_csv('test_data.csv')