sklearn svm如何选择核函数_文本挖掘篇|利用SVM进行短文本分类

何为数据挖掘，顾名思义就是从大量数据中挖掘或抽取出知识。在实际中，进行数据挖掘的数据不仅仅有数值型数据，还有图片型数据，文本型数据等。而所谓文本挖掘，就是从大量文本数据中，提取出对信息使用者有价值的信息。文本挖掘主要的研究领域有：文本结构分析，文本分类，文本聚类，文本关联分析等。今天，小编用一个例子为大家讲解使用支持向量机SVM进行短文本分类。

对于支持向量机，前面已有小伙伴对它进行详细介绍，若想了解具体情况，可查看历史文章：python机器学习——支持向量机(入门理解)

数据说明：本次用来训练及测试的分类数据有两类，分别是“体育”类及“文学出版”类，“体育”类数据由899个短文本组成，“文学出版”类数据由797个短文本组成。

先来看看利用SVM文本分类的流程吧！

数据预处理---->数据向量化---->利用Sklearn-learn进行SVM分类

一、数据预处理

对于文本挖掘，数据预处理的过程必不可少同时也至关重要。在数据预处理过程中，主要是进行中文分词及去除停用词。

(一)中文分词

分词就是将连续的字序列按照一定的规范重新组合成词序列的过程，该过程主要为第二步数据向量化特征选择做准备。Jieba分词是目前国内使用人数最多的中文分词工具，且支持三种分词模式，下面对其三种分词模式的使用方法进行简单介绍。

(二)去除停用词

由于中国人的说话习惯，在中文语句中会有许多的语气用词“啊，呀,呢”及一些无特殊含义的词“的，这儿，一些”等，这些词没有实际意义确占比较大，一方面增大了计算量，另一方面减少了有意义词的权重。去除停用词采取的方法通常是，建立一个专门的停用词库，然后调用词库去掉无意义词汇，网上有许多停用词词库，这儿就不具体介绍了。

二、数据向量化

数据向量化是连接文本型数据与计算机的桥梁，可以将文本型数据转化为计算机可读的数值型数据。目前，较为常见的数据向量化方法是使用词向量模型。

词向量(Word embedding)，又叫Word嵌入是自然语言处理(NLP)中的一组语言建模和特征学习技术的统称，它是通过“浅层双层的神经网络”对大量文本进行训练，从而将每一个词对应一个向量，建立起词与词之间的关系。这儿对于其训练过程不做过多赘述，直接看如何使用吧！

三、利用Scikit-learn进行SVM分类

Scikit-learn(sklearn)是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。当我们面临机器学习问题时，便可根据下图来选择相应的方法。

Scikit-learn中的SVM算法库分为两类，一类是分类的算法库，包括SVC， NuSVC和LinearSVC 3个类；另一类是回归算法库，包括SVR， NuSVR和LinearSVR 3个类。相关的类都包含在sklearn.svm模块之中。下面就开始使用Scikit-learn进行SVM短文本分类啦！

在该过程有如下几个步骤：

(一)分类数据贴标签

分别对两类数据进行数据预处理及数据向量化后，每一个短文本都由一个向量表示。接着按照分类将“体育”类文本贴上标签“1”，“文学出版”类文本贴上标签“0”。

(二)合并分类数据并拆分训练集，测试集

将两类数据及对应的数据标签对应合并，接下来使用“sklearn”模块中“train_test_split”包对数据进行切割，随机选择30%的数据作为测试集，剩余数据作为训练集。

(三)利用SVM模型进行训练并测试

SVM模型有许多核函数，使用不同核函数，其效果也不尽相同，在这里使用三个不同的核函数做对比，看看针对本案例那个核函数的预测效果更佳。在该过程使用了“sklearn”模块中“classification_report”和“accuracy_score”包获得预测的准确度，精确度，召回率，F1值。

Accuracy:(准确度)，它是预测正确的正例和负例数据占全部数据的比例。

A=(TP+TN)/(TP+TN+FP+FN)

precision：(精确度)，它是预测正确的正例数据占预测为正例数据的比例。

P=TP/(TP+FP)

Recall：(召回率)，它是预测为正例的数据占实际为正例数据的比例。