期末大做业

1、boston房价预测

1. 读取数据集

2. 训练集与测试集划分

3. 线性回归模型：创建13个变量与房价之间的预测模型，并检测模型好坏。

4. 多项式回归模型：创建13个变量与房价之间的预测模型，并检测模型好坏。

5. 比较线性模型与非线性模型的性能，并说明缘由。

 

2、中文文本分类

按学号未位下载相应数据集。

147：财经、彩票、房产、股票、

258：家居、教育、科技、社会、时尚、

0369：时政、体育、星座、游戏、娱乐

分别创建中文文本分类模型，实现对文本的分类。基本步骤以下：

1.各类获取文件，写文件

2.除去噪声，如：格式转换，去掉符号，总体规范化

3.遍历每一个个文件夹下的每一个文本文件。

4.使用jieba分词将中文文本切割。

中文分词就是将一句话拆分为各个词语，由于中文分词在不一样的语境中歧义较大，因此分词极其重要。

能够用jieba.add_word('word')增长词，用jieba.load_userdict('wordDict.txt')导入词库。

维护自定义词库

5.去掉停用词。

维护停用词表

6.对处理以后的文本开始用TF-IDF算法进行单词权值的计算

7.贝叶斯预测种类

8.模型评价

9.新文本类别预测

 

1、boston房价预测

# 多元线性回归模型
#读取数据
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

 

# 波士顿房价数据集
data = load_boston()

# 划分数据集
x_train, x_test, y_train, y_test = train_test_split(data.data,data.target,test_size=0.3)

# 检测模型好坏
from sklearn.metrics import regression
y_predict = mlr.predict(x_test)

# 计算模型的预测指标
print("预测的均方偏差：", regression.mean_squared_error(y_test,y_predict))
print("预测的平均绝对偏差：", regression.mean_absolute_error(y_test,y_predict))

# 打印模型的分数
print("模型的分数：",mlr.score(x_test, y_test))

# 多元多项式回归模型
# 多项式化
from sklearn.preprocessing import PolynomialFeatures
poly2 = PolynomialFeatures(degree=2)
x_poly_train = poly2.fit_transform(x_train)
x_poly_test = poly2.transform(x_test)

# 创建模型
mlrp = LinearRegression()
mlrp.fit(x_poly_train, y_train)

# 预测
y_predict2 = mlrp.predict(x_poly_test)

# 检测模型好坏
# 计算模型的预测指标
print("预测的均方偏差：", regression.mean_squared_error(y_test,y_predict2))
print("预测的平均绝对偏差：", regression.mean_absolute_error(y_test,y_predict2))
# 打印模型的分数
print("模型的分数：",mlrp.score(x_poly_test, y_test))

 

2、中文文本分类

 

import os
# 读文件的函数（生成器）,获取全部txt文件
def readFile(path):
    fileList = os.listdir(path)
    for className in fileList: # 类别循环层
        classPath = os.path.join(path, className) # 拼接类别路径
        fileList = os.listdir(classPath)
        for fileName in fileList: # txt文件循环层，拿每一条新闻
            filePath = os.path.join(classPath, fileName) # 拼接文件路径
            genInfo(filePath)
            
            
# 根据生成的文件路径提取它的类别和文本
import numpy as np
def genInfo(path):
    classfity = path.split('\\')[-2] # 获取类别
    with open(path,'r',encoding='utf-8') as f:
        content = f.read() # 获取文本
    appToList(classfity, content)
    

# 类别存入列表中，文本处理后用结巴分词存入另一个列表
import jieba
import jieba.posseg as psg 
def appToList(classfity, content):
    # 数据处理
    processed = "".join([word for word in content if word.isalpha()])
    # 结巴分词，分词后获取长度>=3的有意义词汇，去重并转为一个字符串
    # clear = " ".join(set([i.word for i in psg.cut(processed) if (len(i.word)>=3) and (i.flag=='nr' or i.flag=='n' or i.flag=='v' or i.flag=='a' or i.flag=='vn' or i.flag=='i')]))
    # 结巴分词，分词后获取长度>=2的词汇，并转为一个字符串
    clear = " ".join([i for i in jieba.cut(processed, cut_all=True, HMM=True) if (len(i)>=2)])
    # 追加到列表
    target_list.append(classfity)
    content_list.append(clear)

 

import os
import numpy as np
import sys
from datetime import datetime
import gc
path = 'C:\\Users\\Administrator\\Desktop\\0369'
# 导入结巴库，并将须要用到的词库加进字典
import jieba
# 导入停用词：
with open(r'0369\stopsCN.txt', encoding='utf-8') as f:
    stopwords = f.read().split('\n')

def processing(tokens):
    # 去掉非字母汉字的字符
    tokens = "".join([char for char in tokens if char.isalpha()])
    # 结巴分词
    tokens = [token for token in jieba.cut(tokens,cut_all=True) if len(token) >=2]
    # 去掉停用词
    tokens = " ".join([token for token in tokens if token not in stopwords])
    return tokens

tokenList = []
targetList = []
# 用os.walk获取须要的变量，并拼接文件路径再打开每个文件
for root,dirs,files in os.walk(path):
    for f in files:
        filePath = os.path.join(root,f)
        with open(filePath, encoding='utf-8') as f:
            content = f.read()
            # 获取新闻类别标签，并处理该新闻
        target = filePath.split('\\')[-2]
        targetList.append(target)
        tokenList.append(processing(content))

 

将content_list列表向量化后建模，将模型用于预测和评估模型

 

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB,MultinomialNB
from sklearn.model_selection import cross_val_score
from sklearn.metrics import classification_report
path = r'C:\Users\Administrator\Desktop\0369'
target_list = []
content_list = []

# 读入文件，并将数据处理后追加到两个列表中
readFile(path)

# 划分训练集测试集并创建特征向量,为创建模型作准备
# 划分训练集测试集
x_train,x_test,y_train,y_test = train_test_split(content_list,target_list,test_size=0.2,stratify=target_list)
# 转化为特征向量，这里选择TfidfVectorizer的方式创建特征向量。不一样新闻的词语使用会有较大不一样。
vectorizer = TfidfVectorizer()
X_train = vectorizer.fit_transform(x_train)
X_test = vectorizer.transform(x_test)
# 创建模型,这里用多项式朴素贝叶斯，由于样本特征的分布大部分是多元离散值
mnb = MultinomialNB()
module = mnb.fit(X_train, y_train)

#进行预测
y_predict = module.predict(X_test)
# 输出模型精确度
scores=cross_val_score(mnb,X_test,y_test,cv=10)
print("Accuracy:%.3f"%scores.mean())
# 输出模型评估报告
print("classification_report:\n",classification_report(y_predict,y_test))

 

根据特征向量提取逆文本频率高的词汇,将预测结果和实际结果进行对比

# 根据逆文本频率筛选词汇，阈值=0.8
highWord = []
cla = []
for i in range(X_test.shape[0]):
    for j in range(X_test.shape[1]):
        if X_test[i,j] > 0.8:
            highWord.append(j)
            cla.append(i)

# 查看具体哪一个词
for i,j in zip(highWord, cla):
    print(vectorizer.get_feature_names()[i],'\t', y_test[j])

# 将预测结果和实际结果进行对比
import collections
import matplotlib.pyplot as plt
import pandas as pd
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SongTi'] # 指定默认字体  
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题

# 统计测试集和预测集的各种新闻个数
testCount = collections.Counter(y_test)
predCount = collections.Counter(y_predict)
print('实际：',testCount,'\n', '预测', predCount)

# 创建标签列表，实际结果列表，预测结果列表，
nameList = list(testCount.keys())
testList = list(testCount.values())
predictList = list(predCount.values())
x = list(range(len(nameList)))
print("新闻类别：",nameList,'\n',"实际：",testList,'\n',"预测：",predictList)

# 画图
plt.figure(figsize=(7,5))
total_width, n = 0.6, 2
width = total_width / n
plt.bar(x, testList, width=width,label='实际',fc = 'g')
for i in range(len(x)):
    x[i] = x[i] + width
plt.bar(x, predictList,width=width,label='预测',tick_label = nameList,fc='b')
plt.grid()
plt.title('实际和预测对比图',fontsize=17)
plt.xlabel('新闻类别',fontsize=17)
plt.ylabel('频数',fontsize=17)
plt.legend(fontsize =17)
plt.tick_params(labelsize=17)
plt.show()