©2020-2024 ioDraw All rights reserved
import pandas as pd import numpy as np #读取训练数据集 mblog=pd.read_csv(
'clean_mblog.csv',encoding='utf_8_sig') mblog.head()
import jieba.analyse def get_keywords(raw): if raw['isLongText'] == 1: #
当text为长文本时，提取50个关键词 keywords = jieba.analyse.extract_tags(raw['chinese_text'],
topK=50) keywords = '|'.join(keywords) return keywords else: #
当text为非长文本时，默认提取20个关键词 keywords = jieba.analyse.extract_tags(raw['chinese_text']
) keywords = '|'.join(keywords) return keywords #生成keyword数据 mblog['keywords'] =
mblog.apply(get_keywords,axis=1) #导入逻辑回归模型 from sklearn.linear_model import
LogisticRegressionfrom sklearn.feature_extraction.text import CountVectorizer
vectorizer= CountVectorizer(max_features=2000,analyzer='word',tokenizer=lambda s
:s.split('|')) #生成词袋向量数据 blog_bow = vectorizer.fit_transform(mblog['keywords'])
#选定训练样本数据 y = mblog[mblog['attitude'].notnull()]['attitude'] X=blog_bow[:len(y),
:] #训练模型并查看训练准确率 lr_model = LogisticRegression(random_state=0,solver='lbfgs',
multi_class='multinomial').fit(X,y) lr_model.score(X,y) # 0.99 # 对其他微博进行预测并查看结果
print(mblog.chinese_text.iloc[8]) print(lr_model.predict(blog_bow[8,:]))
华为Mate30保护壳曝光，感觉好丑啊 [0.]
在训练样本中该条微博被人工标注为-1：消极
但模型在预测时将其标注为0：中性
#查看训练数据各种态度的分布情况 import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'
]=['SimHei'] #用来正常显示中文标签 %matplotlib inline predict_attitude = pd.DataFrame(
lr_model.predict(blog_bow[:,:]),columns=['predict']) plt.figure(figsize=[15,5])
plt.subplot(1,2,1) labels = ['消极','中立','积极'] plt.title('训练数据各种态度的分布情况') mblog.
groupby('attitude').size().plot.pie(labels=labels,autopct='%1.1f%%',explode=(
0.05,0.05,0.05),shadow=True) plt.subplot(1,2,2) labels = ['消极','中立','积极'] plt.
title('全部预测结果的态度分布情况') predict_attitude.groupby('predict').size().plot.pie(
labels=labels,autopct='%1.1f%%',explode=(0.05,0.05,0.05),shadow=True)
模型分析：
根据预测的多个微博数据结果，模型把大部分微博都预测为了积极的，分析数据的特点，推测可能是由于数据的分布极不均匀导致的
查看各种态度的分布情况可验证这一推测。