大作业

 期末大作业：boston房价预测与中文文本分类

 

一、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：建立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：建立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，并说明原因。

 

二、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

分别建立中文文本分类模型，实现对文本的分类。基本步骤如下：

1.各种获取文件，写文件

2.除去噪声，如：格式转换，去掉符号，整体规范化

3.遍历每个个文件夹下的每个文本文件。

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，因为中文分词在不同的语境中歧义较大，所以分词极其重要。

可以用jieba.add_word('word')增加词，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.对处理之后的文本开始用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

 

处理过程中注意：

• 实验过程中文件遍历从少量到多量，调试无误后再处理全部文件
• 判断文件大小决定读取方法
• 注意保存中间结果，以免每次从头读取文件重复处理
• 内存不足时进行分批处理
• 利用数组的保存np.save('x1.npy',x1)与数组的读取np.load('x1.npy')和数组的拼接np.concatenate((x1,x2),axis=0)
• 及时用 del(x1) 释放大块内存，用gc.collect()回收内存。

 

一、boston房价预测

 

##导包
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
##读取数据集
boston = load_boston()
#查看key值
boston.keys()
print('data值为：',boston.data)
print('target值为：',boston.target)
print('feature_names值为：',boston.feature_names)
print('此数据集的描述为：',boston.DESCR)   

##训练集与测试集的划分
x_train,x_test,y_train,y_test = train_test_split(boston.data,boston.target,test_size=0.3)
##建立线性回归模型：建立13个变量与房价之间的预测模型
from sklearn.linear_model import LinearRegression
lineR = LinearRegression()
lineR.fit(x_train,y_train)
w = lineR.coef_         #斜率
b = lineR.intercept_    #截距
print('斜率为：',w)
print('截距为：',b)

##检测模型的好坏
from sklearn.metrics import regression
y_pred = lineR.predict(x_test)
#计算模型的预测值
print('模型预测的均方误差为：',regression.mean_squared_error(y_test,y_pred))
print('模型预测的平均绝对误差为：',regression.mean_absolute_error(y_test,y_pred))
#计算模型的预测准确率
print('模型预测的准确率为：',lineR.score(x_test,y_test))

# #图形化显示
# import matplotlib.pyplot as plt
# x=boston.data[:,12].reshape(-1,1)
# y=boston.target
# plt.figure(figsize=(10,6))  #指定显示图大小
# plt.scatter(x,y)

# from sklearn.linear_model import LinearRegression
# lineR=LinearRegression()
# lineR.fit(x,y)
# y_pred=lineR.predict(x)
# plt.plot(x,y_pred,'g')    #散点图
# print(lineR.coef_,lineR.intercept_)
# plt.show()

##建立多项式回归模型：建立13个变量与房价之间的预测模型
#多项式化
from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures(degree=2)
x_poly_train = poly.fit_transform(x_train)
x_poly_test = poly.transform(x_test)
#建模
lp = LinearRegression()
lp.fit(x_poly_train,y_train)
#预测
y_poly_pred = lp.predict(x_poly_test)

##检测模型的好坏
#计算模型的预测值
print('模型预测的均方误差为：',regression.mean_squared_error(y_test,y_poly_pred))
print('模型预测的平均绝对误差：',regression.mean_absolute_error(y_test,y_poly_pred))
#计算模型预测的准确率
print('模型预测的准确率为：',lp.score(x_poly_test,y_test))

线性模型与非线性模型的性能比较：
非线性模型（即多项式回归模型）比线性模型相对来说更好一点。因为多项式回归模型是一条平滑的曲线，而线性模型的一条直线，从图形上可以看出，曲线比直线更加贴合散点的分布形状，灵活性更强，并且从模型的预测值中可以看出，多项式回归模型的误差比线性模型的误差要小。
因此，非线性模型比线性模型能更真实的表现实际情况。

 

二、中文文本分类

##导包
import os
import numpy as np
import sysimport jieba


##预处理
#导入停用词文本
with open(r'stopsCN.txt',encoding = 'utf-8') as f:
    stopwords = f.read().split('\n')  def preprocessing(tokens):
    #去掉非字母以及汉字的字符
    tokens = ''.join([token for token in tokens if token.isalpha()])
    #jieba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
    
    
##读取文件
path = 'D:\\Desktop\\258'

sortList = []      #新建存放新闻类别的列表
tokenList = []      #新建存放新闻内容的列表

##遍历文件
for root,dirs,files in os.walk(path):
#     print(root)  #当前目录路径
#     print(dirs)  #当前目录下所有子目录
#     print(files) #当前路径下所有非目录子文件
    for f in files:
        fn = os.path.join(root,f)   #拼接每个文件路径
        size = os.path.getsize(fn)  #获取每个文件大小
        print(fn,size)  
        with open(fn,encoding='utf-8') as f:
            content = f.read()
#获取当前目录下所有子目录（即新闻类别标签），并对新闻进行处理
        sort = fn.split('\\')[-2]
        sortList.append(sort)      #填充新闻类别列表
        tokenList.append(preprocessing(content))     #填充新闻内容列表
        

print('新闻内容：',tokenList[0:10])
print('类别内容：',sortList[0:30])

 

 

 

 

#导包
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

# 划分训练集和测试集
x_train,x_test,y_train,y_test = train_test_split(tokenList,sortList,test_size=0.2,stratify=sortList)

##对处理之后的文本开始用TF-IDF算法进行单词权值的计算
# 以TfidfVectorizer的方式建立转化为特征向量，此种方式可以提高不同词语的辨别度
vectorizer = TfidfVectorizer()
X_train = vectorizer.fit_transform(x_train)
X_test = vectorizer.transform(x_test)

# 用多项式朴素贝叶斯建立模型，因为特征的分布部分是多元离散值
mnb = MultinomialNB()
module = mnb.fit(X_train, y_train)

#预测
y_pred = module.predict(X_test)

#计算模型准确率
scores=cross_val_score(mnb,X_train,y_train,cv=5)
print("Accuracy:%.3f"%scores.mean())

#模型主要分类指标的文本报告
print("classification_report:\n",classification_report(y_pred,y_test))