HanLP 基于朴素贝叶斯 训练 文本分类

一、HanLP 朴素贝叶斯分类器

HanLP 针对文本分类算法已经帮我们实现 朴素贝叶斯法 ，用户可以无需关心内部细节，HanLP 也提供了相关自定义训练接口，前提需要将数据集根据分类放到不同的目录中，例如：

官方给出了相关性能指标如下表所示，其中 SVM 在本专栏下篇文章进行演示：

有关于 HanLP 环境的搭建，可以参考下面这篇文章：

https://xiaobichao.blog.csdn.net/article/details/128271909

准备语料库

下面通过使用 HanLP 基于朴素贝叶斯算法，实现文本分类，语料库采用搜狗文本分类语料库迷你版测试数据集，下载数据集：

http://file.hankcs.com/corpus/sogou-text-classification-corpus-mini.zip

下载加压后可以发现该数据集已经标注好：

文本样例：

训练数据

public class ClassifyTrain {public static void main(String[] args) throws IOException {//语料库的地址String dataPath = "F:/bigdata/hanlp/sogou-text-classification-corpus-mini/搜狗文本分类语料库迷你版";//模型保存路径String modelPath = "F:/bigdata/hanlp/sogou-text-classification-corpus-mini/classification-model.ser";//训练数据trainData(dataPath, modelPath);}private static void trainData(String dataPath, String modelPath) throws IOException {File corpusFolder = new File(dataPath);if (!corpusFolder.exists() || !corpusFolder.isDirectory())  {System.err.println("没有文本分类语料");return;}// FileDataSet省内存，可加载大规模数据集，支持不同的ITokenizer，详见源码中的文档// 使用前90% 的数据作为训练集IDataSet trainingCorpus = new FileDataSet().setTokenizer(new HanLPTokenizer()).load(dataPath, "UTF-8", 0.9);// 创建朴素贝叶斯分类器IClassifier classifier = new NaiveBayesClassifier();// 训练数据classifier.train(trainingCorpus);// 获取训练模型AbstractModel model = classifier.getModel();// 使用后10% 的数据作为测试集IDataSet testingCorpus = new MemoryDataSet(model).load(dataPath, "UTF-8", -0.1);// 计算准确率FMeasure result = Evaluator.evaluate(classifier, testingCorpus);System.out.println("测试集准确度：");System.out.println(result);// 保存模型IOUtil.saveObjectTo(model, modelPath);}}

查看训练日志：

查看训练模型：

测试模型

public class TestClassify {public static void main(String[] args) {String modelPath = "F:/bigdata/hanlp/sogou-text-classification-corpus-mini/classification-model.ser";testModel(modelPath);}private static void testModel(String modelPath){NaiveBayesModel model = (NaiveBayesModel) IOUtil.readObjectFrom(modelPath);IClassifier classifier = new NaiveBayesClassifier(model);// 测试分类String text1 = "研究生考录模式亟待进一步专业化";System.out.printf("《%s》 属于分类 【%s】\n", text1, classifier.classify(text1));String text2 = "C罗获2018环球足球奖最佳球员 德尚荣膺最佳教练";System.out.printf("《%s》 属于分类 【%s】\n", text2, classifier.classify(text2));String text3 = "英国造航母耗时8年仍未服役 被中国速度远远甩在身后";System.out.printf("《%s》 属于分类 【%s】\n", text3, classifier.classify(text3));String text4 = "如果真想用食物解压,建议可以食用燕麦";System.out.printf("《%s》 属于分类 【%s】\n", text4, classifier.classify(text4));}}

测试结果：

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！