CountVectorizer与TfidfVectorizer 对文本特征的特征抽取

对新闻文本数据使用CountVectorizer与TfidfVectorizer  抽取特征，使用朴素贝叶斯进行分类。

# -*- coding:utf-8 -*-
if __name__ == '__main__':
    print "hello"
    # 从sklearn.datasets里导入20类新闻文本数据抓取器。
    from sklearn.datasets import fetch_20newsgroups
    # 从互联网上即时下载新闻样本,subset='all'参数代表下载全部近2万条文本存储在变量news中。
    news = fetch_20newsgroups(subset='all',download_if_missing=False)
    # news = fetch_20newsgroups(subset='all')

    # 从sklearn.cross_validation导入train_test_split模块用于分割数据集。
    from sklearn.model_selection import train_test_split
    # 对news中的数据data进行分割，25%的文本用作测试集；75%作为训练集。
    X_train, X_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25, random_state=33)

    # 从sklearn.feature_extraction.text里导入CountVectorizer
    from sklearn.feature_extraction.text import CountVectorizer
    # 采用默认的配置对CountVectorizer进行初始化（默认配置不去除英文停用词），并且赋值给变量count_vec。
    count_vec = CountVectorizer()

    # 只使用词频统计的方式将原始训练和测试文本转化为特征向量。
    X_count_train = count_vec.fit_transform(X_train)
    X_count_test = count_vec.transform(X_test)

    # 从sklearn.naive_bayes里导入朴素贝叶斯分类器。
    from sklearn.naive_bayes import MultinomialNB
    # 使用默认的配置对分类器进行初始化。先验概率假设为多项式
    mnb_count = MultinomialNB()
    # 使用朴素贝叶斯分类器，对CountVectorizer（不去除停用词）后的训练样本进行参数学习。
    mnb_count.fit(X_count_train, y_train)

    # 输出模型准确性结果。
    print 'The accuracy of classifying 20newsgroups using Naive Bayes (CountVectorizer without filtering stopwords):', mnb_count.score(X_count_test, y_test)
    # 将分类预测的结果存储在变量y_count_predict中。
    y_count_predict = mnb_count.predict(X_count_test)
    # 从sklearn.metrics 导入 classification_report。
    from sklearn.metrics import classification_report
    # 输出更加详细的其他评价分类性能的指标。
    print classification_report(y_test, y_count_predict, target_names = news.target_names)



    # 从sklearn.feature_extraction.text里分别导入TfidfVectorizer。
    from sklearn.feature_extraction.text import TfidfVectorizer

    # 采用默认的配置对TfidfVectorizer进行初始化（默认配置不去除英文停用词），并且赋值给变量tfidf_vec。
    tfidf_vec = TfidfVectorizer()

    # 使用tfidf的方式，将原始训练和测试文本转化为特征向量。
    X_tfidf_train = tfidf_vec.fit_transform(X_train)
    X_tfidf_test = tfidf_vec.transform(X_test)

    # 依然使用默认配置的朴素贝叶斯分类器，在相同的训练和测试数据上，对新的特征量化方式进行性能评估。
    mnb_tfidf = MultinomialNB()
    mnb_tfidf.fit(X_tfidf_train, y_train)
    print 'The accuracy of classifying 20newsgroups with Naive Bayes (TfidfVectorizer without filtering stopwords):', mnb_tfidf.score(
        X_tfidf_test, y_test)
    y_tfidf_predict = mnb_tfidf.predict(X_tfidf_test)
    print classification_report(y_test, y_tfidf_predict, target_names=news.target_names)