Skip to content

Latest commit

 

History

History
130 lines (91 loc) · 6.73 KB

README-ch.md

File metadata and controls

130 lines (91 loc) · 6.73 KB

Text Learning

🌏 English | Chinese |

每個人使用文字都有自己的習慣，習慣強烈的，我們能夠單憑人力就可辨別一份文件或一封Email到底是誰寫的，盡管這份文件或Email並沒有留下任何署名;然而，有些人的用字習慣可能是隱晦的，因而依靠人力很難去辨別原作者，此時就需要去建構Machine Learning的分析模型來解決問題

Text Learning是利用Machine Learning的方法，藉由分析文件中文字詞的種類，出現的頻率來建立分辨文件作者的模型

Enron Dataset 包含許多email文件，從中選取寄信者來自Chris和Sara的郵件，對一部份來自Chris和Sara的郵件作Machine Learning，試圖建構一個模型，在不知道寄件者的情況下，僅憑郵件的內容，便可判別此郵件來自Chris或Sara

更詳細對此程式演算法的解釋請點這裡

Getting Started

本程式以python3.6.0執行，使用函式庫nltk, numpy, scipy, sklearn, pandas, matplotlib

在Terminal輸入： git clone https://github.com/linhung0319/text-learning.git

執行 svm 資料夾內的主程式 svm_author_id.py

Preprocessing

將Enron Dataset，來自Chris和Sara的郵件進行處理

  1. 只留下郵件中的內容部份

  2. 將內容部份的文字進行Stem和TFIDF轉換，得到每個字詞的重要性權重

主程式使用的是已處理後的Data， word_data.pkl 和 email_authors.pkl ,若要產生處理後的Data，需下載Enron Dataset：

  1. 執行 startup.py ，下載並解壓縮Enron Dataset至./maildir

  2. 執行 pickle_email_text.py ，將原始資料處理為 word_data.pkl 和 email_authors.pkl

  • 執行 pickle_email_text.py

    • 將email內容的文字進行Stem轉換 ( parse_out_email_text.py )
    • 將轉換後的文字以list的形式儲存成 word_data.pkl
    • 每個字對應的作者以list的形式儲存成 email_authors.pkl

  • email_preprocess.py

    • 讀取 word_data.pkl 和 email_authors.pkl 並將這些字詞進行TFIDF轉換，計算出每個字詞的重要性權重
    • 刪除掉其中出現過於頻繁的字詞(過於頻繁的字詞不具備代表性)
    • 將字詞與其作者分為Training Set 和 Testing Set

SVM

利用Support Vector Machine演算法建構模型，根據Email使用的文字判斷Email屬於Sara或是Chris

  1. 調整SVM的參數以找到分類精準度最佳的結果 (Tuning Parameters in SVM)

  2. 利用SVM的Hyper Plane係數，找出對分類具有最高判別力的文字詞 （Top Features）

  3. 計算SVM分類結果的精準度 （Accuracy Score, Confusion Matrix, Precision, Recall Score）

  • 執行 svm_author_id.py

    • 測試SVM的不同參數，以得到最高的分類精準度 （find_best_param）
    • 以最佳的SVM參數去建構分類Email的模型
    • 找出此SVM模型，作為判斷Email分類，最重要的文字詞
    • 計算模型的精準度

  • plot_gallery.py

    • 畫出不同參數下SVM分類Email的精準度
    • 分別畫出SVM模型判斷Email屬於Sara或Chris，最重要的文字詞及其相對比重

Conclusion

  1. 不同參數下SVM模型的Accuracy Score

下圖為以C, gamma作為調整參數，在linear kernel和rbf (常態分佈) kernel下的Accuracy Score (僅放入1/10的Training Data， 約200封Email)

一般SVM使用的是rbf的kernel來建立模型， 然而當Data的feature維度非常大時，便不太需要將Sample投影到高維度，通常可以直接在現維度找到線性的Hyper Plane作分割

由圖可以發現，由於Word Feature的維度高達1708個，因此使用linear kernel的SVM模型，其精準度並不比rbf kernel來的低

由於從linear kernel的SVM模型中找出最具判別力的字詞較為簡單，因此使用linear kernel的SVM作分析

  1. 找出最具判別力的字詞

下圖為Sara和Chris的Email中判斷力前20的字詞

linear kernel SVM的Hyper Plane法向量，可以看成是最能分類Data的方向，若某一個維度（字詞）在此方向上的比重很大，則表示此維度（字詞）分類Data的能力很強;反之，若在此方向上的分量很小，則表示此維度(字詞)分類Data的能力很差，較不重要

因此，讀取linear kernel SVM的Hyper Plane法向量，可以根據比重，知道哪個Email中的字詞最具有判斷能力

  1. 分析SVM模型的精準度
  • Accuracy Score = 97%
    • 分類成功的Email數量 / 總共的Email數量
    • Accuracy Score很高表示此模型能很好的判別Sara和Chris的Email
Confusion Matrix Predicted Sara Predicted Chris
True Sara 7568 (TP) 312 (FP)
True Chris 146 (FN) 7795 (TN)

  • Precision Score = 96%

    • TP / (TP + FP)
    • Precision Score越高，表示Sara的郵件被誤判為Chris的郵件的機率越低

  • Recall Score = 98%

    • TP / (TP + FN)
    • Recall Score越高，表示Chris的郵件被誤判為Sara的郵件的機率越低

由於Precision Score略低於Recall Score，表示Sara的郵件較容易被誤判為Chris的郵件，因此這個模型對Chris郵件的判別力大於Sara郵件

從Confusion Matrix其實也可以很簡單的看出，在Sara和Chris的郵件總數差不多的情況下，Sara的郵件被誤判為Chris的有312封;反之，Chris的郵件被誤判為Sara的146封

Reference

  1. 此程式主要的演算法，包括建立分析模型前對Data的處理方式，和使用SVM建立分析模型，參考於線上課程網站Udacity的Nano Degree，Intro to Machine Learning

  2. 調整SVM模型不同參數的方法，參考於sklearn的範例頁

  3. 找出Email文字中最具判斷力的字詞(Word Feature)的方法，參考於Visualising Top Features in Linear SVM with Scikit Learn and Matplotlib

Contact Information

如果你有任何任何問題或建議，請由此聯繫我: