数据仓库与及数据挖掘实验报告
XX邮电大学
****学年第1学期实验报告
课程名称：数据仓库与数据挖掘实验名称：文本的分类
实验完成人：
姓名：*** 学号：*&*** 姓名：** 学号：**
日期：
实验一：文本的分类
1.实验目的
◆掌握数据预处理的方法，对训练
集数据进行预处理；
◆掌握文本分类建模的方法，对语
料库的文档进行建模；
◆掌握分类算法的原理，基于有监
督的机器学习方法，训练文本分类
器；
◆了解SVM机器学习方法，可以运
用开源工具完成文本分类过程。
2.实验分工
***:
(1)对经过分词的文本进行特征提取并用lisvm进行训练
(2)用训练的模型对测试数据进行预测
***：
(1)数据采集和预处理
(2)分词
3.实验环境
Ubuntu 13.04+jdk1.7
4.主要设计思想
4.1 实验工具介绍
1．NLPIR_ICTCLAS2013
NLPIR (又名ICTCLAS2013)，是由中科院张华平博士倾力打造的汉语分词系统。其主要功能包括中文分词、词性标注、命名实体识别、用户词典功能、支持GBK 编码、UTF8编码、BIG5编码等。
从NLPIR官网可以下载其最新版的Java发布包，然后导入Eclipse，配置运行环境，实现对于语料库的分词。
最新的NLPIR可以通过更改源代码实现新增新词识别、关键词提取、微博分词等功能，极大地方便了使用。
2. Eclipse for Java
Eclipse 是一个开放源代码的、基于Java的可扩展开发平台。就其本身而言，它只是一
个框架和一组服务，用于通过插件组件构建开发环境。幸运的是，Eclipse 附带了一个标准的插件集，包括Java开发工具（Java Development Kit，JDK）。
3. LibSVM
本次实验中我们采用的是台湾大学林智仁博士等开发设计的LIBSVM方法。这是一个操作简单、易于使用、快速有效的通用SVM 软件包，可以解决分类问题(包括C?SVC 、ν?SVC )，回归问题(包括ε?SVR 、v?SVR ) 以及分布估计(one ? class ? SVM ) 等问题，提供了线性、多项式、径向基和S形函数四种常用的核函数供选择，可以有效地解决多类问题、交叉验证选择参数、对不平衡样本加权、多类问题的概率估计等。
4.2 特征提取与表达方法的设计
特征提取是在初始特征集基础上提取出一个特征子集的过程，能够起到降低向量空间维数、简化计算、防止过拟合作用。首先根据特征提取算法对特征
的重要性进行评估，然后进行重要度排序，最后根据提取阈值或提取比率完成提取。提取后的特征集将用于之后的训练和分类过程。常用特征提取算法有文档频数(Document Frequency)、信息增益(information Gain)、期望交叉熵(expected cross entropy)、互信息(Mutual Information)等。
本次实验采用信息增益法进行特征词提取，它是一个基于嫡的评价方法，涉及嫡理论公式，定义为某特征在文档中出现前后的信息嫡之差。根据训练数据，计算出各个单词的信息增益，删除信息增益很小的词，其余的按照信息增益从大到小排序。
采用TF-IDF建立文本向量，TF-IDF 是由两部分组成，一部分是TF(Token Frequency)，表示一个词在文档中出现的次数，即词频。另一部分是IDF(Inverse Document Frequency)，表示某个词出现在多少个文本中(或者解释为有多少个文本包含了这个词)，即逆向文档频率。
4.3 分类算法的选择
我们选择svm的原因如下：
(1)非线性映射是SVM方法的理论基础,SVM 利用内积核函数代替向高维空间的非线性映射；
(2)对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心；
(3)支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量。
(4)SVM 是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。从本质上看,它避开了从归纳到演绎的传统过程,实现了高效的从训练样本到预报样本的“转导推理”,大大简化了通常的分类和回归等问题。
(5)SVM 的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数,这在某种意义
上避免了“维数灾难”。
(6)少数支持向量决定了最终结果,这不但可以帮助我们抓住关键样本、“剔除”大量冗余样本,而且注定了该方法不但算法简单,而且具有较好的“鲁棒”性。这种“鲁棒”性主要体现在:
①增、删非支持向量样本对模型没有影响;
②支持向量样本集具有一定的鲁棒性;
③有些成功的应用中,SVM 方法对核的选取不敏感
4.4 性能评估方法
在性能评估中，我们采用的是计算分类器对于不同分类的准确率和召回率。
4.4.1 准确率(Precision)
准确率：指的是在所有被判断为正确的文档中，有多大比例是确实正确的。
例如：
我们把文件分类这样四类：
A：系统检测到的相关的文档
B：系统检测到的不相关的文档
C：系统没有检测到的相关的文档
D：系统没有检测到的不相关的文档那么我们的计算公式为：
()
+
准确率
P A A B
=/
4.4.2 召回率(Recall)
召回率：指的是在所有确实正确的文档中，有多大比例被我们判断为正确。
例如：我们继续参照上述的例子。
那么我们的计算公式为：
()
召回率R
+
=/A A C
根据上述的两个公式，我们计算出每一类的准确率和召回率，进行比较，今儿对分类器的分类效果进行评估。
5．实验过程
5.1文本分类语料库的采集
我们直接使用搜狗语料库的新闻预料，共有十个类别，每个类别取2000篇作为训练集，另取2000篇作为测试集。这样我们就获得了20000篇的训练集和20000篇的测试集。
5.2数据预处理
5.2.1文本格式预处理
原始的新闻按文件夹划分类别，同一个类别在同一个文件夹下，每篇新闻占一个文件。首先我们把所有文章整理到一个文件中，并标上类型号，这样便于后期处理。
5.2.2分词和去停用词处理
对语料库进行分词处理阶段，我们采用中科院研发的汉语分词软件NLPIR。
我们为了对大量的文本进行分词，在NLPIR中又添加了一个批处理函数，对NLPIR进行调用，对大量文本进行分词处理。通过更改NLPIR的参数，我们获取了带有词性标注的大量分词后的文本文件。然后我们利用模式匹配的方法把所有分名词过滤掉，然后根据停用词表除去停用词。
5.3特征提取和表达
5.3.1特征词提取
本次实验我们采用信息增益法进行特征
词提取。提取特征词1000个。
将分词，取名词，去停用词后的每篇文章统一整理到一篇文本中。每篇文章作为一行记录出现，这样便于采用信息增益法计算每个单词的信息增益值。它是一个基于嫡的评价方法，涉及较多的数学理论和复杂的嫡理论公式，定义为某特征在文档中出现前后的信息嫡之差。根据训练数据，计算出各个单词的信息增益，删除信息增益很小的词，其余的按照信息增益从大到小排序。
信息增益评估函数被定义为
IG(t) = P(t)*P(Ci|t)*log(P( Ci | t)/P( Ci))+ P(tn)*Σ (P(Ci|tn)*logP((Ci|t)/P(i))),
式中, P(Ci|t) 表示文本中出现特征t时,文本属于Ci类的概率; P(Ci|tn) 表示文本中不出现单词t时,文本属于Ci类的概率; P(Ci) 表示类别出现的概率; P(t) 表示t 在整个文本训练集中出现的概率。
计算完每个单词的信息增益值后，采用堆排序方法选取前5000个单词作为特征词，即词典。
5.3.2建立文本向量
根据提取的特征词采用TF-IDF法建立文本向量。
TF-IDF是一种加权技术，它通过统计的方法来计算和表达某个关键词在文本中的重要程度。TF-IDF是由两部分组成，一部分是TF(Token Frequency)，表示一个词在文档中出现的次数，即词频。另一部分是IDF(Inverse Document Frequency)，表示某个词出现在多少个文本中(或者解释为有多少个文本包含了这个词)，即逆向文档频率，通常由公式IDFt＝log((1+|D|)/|Dt|)，其中|D|表示文档总数，|Dt|表示包含关键词t的文档数量。
根据上述原理，我们把训练集转化为libsvm所支持的向量格式。
LIBSVM的训练集格式如下：
lable1 index1:featureValue1 index2:featureValue2
index3:featureValue3 ...
lable2 index1:featureValue1 index2:featureValue2
index3:featureValue3 ...
对应到文本分类上就是：类别ID 特征序号：特征值（TFIDF值）......
5.4训练过程
我们利用libsvm提供的grid.py工具对训练集进行参数寻优，并得到参数：c=128.0 g=3.0517578125e-05 ,然后利用这组参数对训练集进行训练，得到模型文件。
5.5测试过程
我们对测试集进行同样的分词与去停用词等操作，然后根据训练得到的模型文件，对其进行预测。然后，分析预测输出文件和初始的测试文件，得到相关统计数据。
5.6实验结果和性能评估
训练集：20000篇
测试集：20000篇
特征提取后字典大小：1000词
训练时间：92.7s
测试时间：80s
平均准确率：83%
具体准确率与召回率如图5-1所示：
图5-1 预测结果准确率与召回率
预测结果混淆矩阵如图5-2所示：
军
事
文
化
教
育
经
济
女
性
体
育
汽
车
娱
乐
军
事
IT 军
事
0 35 21 8 50 0 0 18 24 11 文
化
44 0 19 23 38 36 5 69 45 18 教
育
23 33 0 16 25 3 3 23 8 36 经 1 11 6 0 2 0 2 4 3 3
6 实验总结
通过这次实验，学习了文本分类的常规步骤，认识了一些分类方法的原理和使用方法。同时锻炼了编程编程能力。最关键的是获得了对数据挖掘领域的兴趣。