TDA/labs/OATD_LR2.md

Лабораторная работа №2. Предварительная обработка текстовых данных

Цель работы

Получить практические навыки обработки текстовых данных в среде Jupiter Notebook. Научиться проводить предварительную обработку текстовых данных и выявлять параметры обработки, позволяющие добиться наилучшей точности классификации.

Задание

1. В среде Jupyter Notebook создать новый ноутбук (Notebook)

2. Импортировать необходимые для работы библиотеки и модули

3. Загрузить обучающую и экзаменационную выборку в соответствие с вариантом

4. Вывести на экран по одному-два документа каждого класса.

5. Применить стемминг, записав обработанные выборки (тестовую и обучающую) в новые переменные

6. Провести векторизацию выборки:

   1. Векторизовать обучающую и тестовую выборки простым подсчетом слов (CountVectorizer)
   2. Вывести и проанализировать первые 20 наиболее частотных слов всей выборки и каждого класса по-отдельности.
   3. Рассчитать сходство по коэффициенту Жаккара между тремя классами
   4. Применить процедуру отсечения стоп-слов и повторить пункты b-c.
   5. Провести пункты a – c для обучающей и тестовой выборки, для которой проведена процедура стемминга.
   6. Векторизовать выборки с помощью TfidfTransformer (с использованием TF и TF-IDF взвешиваний).

7. Используя конвейер (Pipeline) реализовать модель Наивного Байесовского классификатора и выявить на основе показателей качества (значения полноты, точности, f1-меры и аккуратности), какая предварительная обработка данных обеспечит наилучшие результаты классификации. Должны быть исследованы следующие характеристики:

   • Наличие \ отсутствие стемминга
   • Отсечение \ не отсечение стоп-слов
   • Взвешивание: Count, TF, TF-IDF
   • Количество информативных терминов (max_features) - исследовать 5 значений: {100, 1000, 5000, 10000, dict_vol}, где dict_vol - общего количества слов в выборке.

   При проведении данного исследования предлагается зафиксировать все переменные кроме одной, а далее менять незафиксированную переменную для определения ее наилучего значения. После того как наилучшее значение найдено, фиксировать это значение, и переходить к следующей переменной. Например, ищем оптимальные значения для переменных A, B, C: фиксируем переменные А = 10, B = False, находим оптимальное значение переменной С. Пусть оптимальное значение С = 20,42. Теперь фиксируем B = False, C = 20,42, ищем оптимальное значение переменной A, и т.д.

8. По каждому пункту работы занести в отчет программный код и результат вывода.

9. По результатам классификации занести в отчет выводы о влиянии каждого из этапом предобработки данных (наличие стемминга, взвешивание терминов, стоп-слова, количество информативных терминов) и о наиболее подходящей их комбинации. Объяснить различия (если имеются) в качестве классификации разных классов.

Варианты заданий

Вариант	Класс
1	2, 3, 8
2	6, 10, 11
3	1, 9, 17
4	7, 12, 18
5	4, 14, 18
6	1, 15, 16
7	3, 7 , 13
8	5, 16, 20
9	6, 17, 19
10	3, 5, 15
11	7, 14, 20
12	2, 12, 13

Названия классов

№ класса	Название класса
1	'alt.atheism'
2	'comp.graphics'
3	'comp.os.ms-windows.misc'
4	'comp.sys.ibm.pc.hardware'
5	'comp.sys.mac.hardware'
6	'comp.windows.x'
7	'misc.forsale'
8	'rec.autos'
9	'rec.motorcycles'
10	'rec.sport.baseball'
11	'rec.sport.hockey'
12	'sci.crypt'
13	'sci.electronics'
14	'sci.med'
15	'sci.space'
16	'soc.religion.christian'
17	'talk.politics.guns'
18	'talk.politics.mideast'
19	'talk.politics.misc'
20	'talk.religion.misc'

Контрольные вопросы

1. Особенности задачи классификации текстовых данных.
2. Этапы предварительной обработки данных.
3. Алгоритм и особенности Наивного Байесовского метода.
4. Как влияет размер словаря терминов на точность классификации?
5. Какие способы выявления информативных терминов вам известны?
6. Как влияет способ взвешивания терминов на точность классификации?