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./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:
/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: