使用朴素贝叶斯分类器对新闻文本数据进行类别预测

读取20类新闻文本的数据细节

# 从sklearn.datasets里导入新闻数据抓取器fetch_20newsgroupfrom sklearn.datasets import fetch_20newsgroups# 与之前预存的数据不同,fetch_20newsgroup需要即时从互联网下载数据news = fetch_20newsgroups(subset='all')# 查验数据规模和细节print len(news.data)print news.data[0]

20类新闻文本数据分割

# 使用sklearn.model_selection里的train_test_split模块用于分割数据from sklearn.model_selection import train_test_split# 随机采样25%的数据样本作为测试集X_train, X_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25, random_state=33)

使用朴素贝叶斯分类器对新闻文本数据进行类别预测

# 从sklearn.feature_extraction.test里导入用于文本特征向量转化模块from sklearn.feature_extraction.text import CountVectorizervec = CountVectorizer()X_train = vec.fit_transform(X_train)X_test = vec.transform(X_test)# 从sklearn.naive_bayes里导入朴素贝叶斯模型from sklearn.naive_bayes import MultinomialNB# 使用默认配置初始化朴素贝叶斯模型mnb = MultinomialNB()# 利用训练数据对模型参数进行估计mnb.fit(X_train, y_train)# 对测试样本进行类别预测,结果存储在变量y_predict中y_predict = mnb.predict(X_test)

对朴素贝叶斯分类器在新闻文本数据上的表现性能进行评估

# 从sklearn.metrics里导入classification_report用于详细的分类性能报告from sklearn.metrics import classification_reportprint'The accuracy of Naive Bayes Classifier is', mnb.score(X_test, y_test)print classification_report(y_test, y_predict, target_names=news.target_names)

输出结果

遇到的问题

fetch_20newsgroups 数据集导入失败: no handlers could be fetch_20newsgroups

处理办法

下载20news-bydate.pkz, 放到C:\Users[Current user]\scikit_learn_data 文件目录就可以