机器学习十讲--第一讲

 

 

 

 

 

 

 

 

 

 

import pandas as pd


#绘图中文字体
import matplotlib as mpl
mpl.rcParams['font.sans-serif']=['SimHei']  # #指定默认字体 SimHei为黑体
mpl.rcParams['axes.unicode_minus']=False  # #用来正常显示负号


raw_train = pd.read_csv("input/train_sample_utf8.csv",encoding="utf8")
raw_test = pd.read_csv("input/test_sample_utf8.csv",encoding="utf8")
#print(raw_train.loc[0,'文章'])

import matplotlib.pyplot as plt
# plt.figure(figsize=(15, 8))
# plt.subplot(1, 2, 1)
# raw_train["分类"].value_counts().sort_index().plot(kind="barh",title='训练集新闻主题分布')
# plt.subplot(1, 2, 2)
# raw_test["分类"].value_counts().sort_index().plot(kind="barh",title='测试集新闻主题分布')
# plt.show()


#对新闻内容进行分词
import jieba
def news_cut(text):
    return " ".join(list(jieba.cut(text)))

raw_train["分词文章"] = raw_train["文章"].map(news_cut)
raw_test["分词文章"] = raw_test["文章"].map(news_cut)
print(raw_train.columns)


#加载停用词
# 第一种解决方法，增加encoding=‘UTF-8’：
# FILE_OBJECT= open( 'train.txt','r', encoding='UTF-8' )
# 第二种方法，二进制读取：
# FILE_OBJECT= open( 'train.txt', 'rb' )
stop_words = []
file = open("input/stopwords.txt",encoding='UTF-8')
for line in file:
    stop_words.append(line.strip())
file.close()
print(stop_words)

#文本特征提取
from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer(stop_words=stop_words)
X_train = vectorizer.fit_transform(raw_train["分词文章"])
X_test = vectorizer.transform(raw_test["分词文章"])


#构建 KNN 分类器
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier()
# 加入网格搜索与交叉验证
from sklearn.model_selection import GridSearchCV
param_dict = {"n_neighbors": [1, 3, 5, 7, 9, 11]}
knn = GridSearchCV(knn, param_grid=param_dict, cv=10)

knn.fit(X_train, raw_train["分类"])

#测试集新闻主题预测
Y_test = knn.predict(X_test)

# 5）模型评估
# 方法1：直接比对真实值和预测值
print("直接比对真实值和预测值:
", raw_test["分类"] == Y_test)

# 方法2：计算准确率
score = knn.score(X_test, raw_test["分类"])
print("准确率为：
", score)

# 最佳参数：best_params_
print("最佳参数：
", knn.best_params_)
# 最佳结果：best_score_
print("最佳结果：
", knn.best_score_)
# 最佳估计器：best_estimator_
print("最佳估计器:
", knn.best_estimator_)
# 交叉验证结果：cv_results_
print("交叉验证结果:
", knn.cv_results_)