2018年11月11日

言語処理100本ノックでPython入門 #76 - 機械学習、scikit-learnでの予測確率


今日は言語処理100本ノック 2015の第8章・機械学習の問題76に挑戦です。

■ 問題

76. ラベル付け
学習データに対してロジスティック回帰モデルを適用し,正解のラベル,予測されたラベル,予測確率をタブ区切り形式で出力せよ.

■ どう解いたか 

今回も、3つのクラス(Stopwords,SentimentFeatures,SentimentAnalyser)は前回と同じです。

学習に利用したデータをすべて予測するために、getFeatureDataでデータを取得し、それを predictメソッドとLogisticRegressionオブジェクトのpredict_probaメソッドを使って予測と予測確率を得ています。 

このロジックは、すでに問題74で、予測確率を求めるメソッドとして定義していたので、今回は、mainメソッドだけの変更ですみました。



■ Pythonのコード
import re
from nltk import stem
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.externals import joblib

class Stopwords:
    words = [ \
        'a', 'about', 'all', 'an', 'and', 'any', 'are', 'as', \
        'at', 'be', 'been', 'but', 'by', 'can', 'could', 'do', \
        'does', 'for', 'from', 'has', 'have', 'he', 'her', 'his', \
        'how', 'i', 'if', 'in', 'into', 'is', 'it', 'its', 'made', \
        'make', 'may', 'me', 'my', 'no', 'not', 'of', 'on', 'one', \
        'or', 'out', 'she', 'should', 'so', 'some', 'than', 'that', \
        'the', 'their', 'them', 'there', 'then', 'they', 'this', \
        'those', 'to', 'too', 'us', 'was', 'we', 'what', 'when',\
        'which', 'who', 'with', 'would', 'you', 'your', ''
        ]

    @staticmethod
    def exists(word):
        return word in  Stopwords.words

class SentimentFeatures:
    def __init__(self):
        self.stemmer = stem.PorterStemmer()
        self.validreg = re.compile(r'^[-=!@#$%^&*()_+|;";,.<>/?]+$')
        self.splitreg = re.compile(r'\s|,|\.|\(|\)|\'|/|\'|\[|\]|-')

    def isValid(self, word):
        if word == '' or len(word) <= 2:
            return False
        if self.validreg.match(word):
            return False
        return not Stopwords.exists(word)

    def getFromLine(self, line):
        array = self.splitreg.split(line)
        # こういう時はlambda キーワードいらないんですね。
        words = filter(self.isValid, array)
        xs = map(self.stemmer.stem, words)
        return xs

    def enumerate(self, filename, encoding):
        with open(filename, 'r', encoding=encoding) as fin:
            for line in fin:
                sentiment = line[:3]
                yield sentiment, self.getFromLine(line[3:])

class SentimentAnalyser:
    def __init__(self):
        self.cv = CountVectorizer(encoding='utf-8')
        self.lr = LogisticRegression(solver='sag', max_iter=10000)

    # LogisticRegression を使い学習する
    def fit(self, X_train, y_train):
        X_train_cv = self.cv.fit_transform(X_train)
        self.lr.fit(X_train_cv, y_train)

    # LogisticRegression を使い予測する
    def predict(self, X_test):
        x = self.cv.transform(X_test)
        return self.lr.predict(x)

    # 予測し、分類毎に確率を得る
    def predict_proba(self, X_test):
        x = self.cv.transform(X_test)
        return self.lr.predict_proba(x)

    # 学習済みデータをロードする
    def load(self):
        self.cv = joblib.load('chapter08/cv73.learn')
        self.lr = joblib.load('chapter08/lr73.learn')

    # 学習済みデータを保存する
    def save(self):
        # 学習したデータを保存する
        joblib.dump(self.cv, 'chapter08/cv73.learn')
        joblib.dump(self.lr, 'chapter08/lr73.learn')

    # 学習に利用するデータを取り出す
    # y[] は、センチメント
    # X[] は、素性データ
    @staticmethod
    def getFeatureData(filename):
        X = []
        y = []
        sf = SentimentFeatures()
        for sentiment, features in sf.enumerate(filename, 'cp1252'):
            y.append(1.0 if sentiment[0] == '+' else 0.0)
            X.append(' '.join(features))
        return X, y

def getLabel(val):
    return '+1' if val > 0.5 else '-1'


def main():
    sa = SentimentAnalyser()
    sa.load()

    X_test, y_test = sa.getFeatureData('chapter08/sentiment.txt')
    y_test_pred = sa.predict(X_test)
    pr = sa.predict_proba(X_test)
    for right, pred, proba in zip(y_test, y_test_pred, pr):
        print('{}\t{}\t{}'.format(getLabel(right), getLabel(pred), \
            proba[0] if pred == 0 else proba[1]))

if __name__ == '__main__':
    main()


■ 結果

先頭の20個だけを掲載します。

-1	-1	0.6097303429740366
-1	-1	0.7237875917615046
+1	+1	0.8452377813768515
+1	+1	0.6449560336941579
+1	+1	0.543156360826781
+1	+1	0.9113562170418062
+1	+1	0.6398913869466663
-1	-1	0.6568220959620661
+1	+1	0.7594696176352425
-1	-1	0.7002498960488786
+1	+1	0.927910364837036
+1	+1	0.9032093714572444
+1	+1	0.714278110906943
+1	+1	0.8908909959384128
+1	+1	0.588722939785566
+1	+1	0.7755451604607824
+1	+1	0.9985328530583656
+1	+1	0.747913188658218
-1	-1	0.6764951558532446
+1	+1	0.9859825558428327
  

Posted by gushwell at 21:00Comments(0)

2018年10月28日

言語処理100本ノックでPython入門 #75 - 機械学習、scikit-learnのcoef_ プロパティ


今日は言語処理100本ノック 2015の第8章・機械学習の問題75に挑戦です。

■ 問題

75. 素性の重み
73で学習したロジスティック回帰モデルの中で,重みの高い素性トップ10と,重みの低い素性トップ10を確認せよ.


■ どんなふうに解くか

今回は、3つのクラス(Stopwords,SentimentFeatures,SentimentAnalyser)は前回と同じです、mainメソッドだけを変更しています。

やっていることは、まず学習済みデータをロードして、CountVectorizerのget_feature_names メソッドで重複が除かれた素性データ一覧(単語一覧)を得ます。

これだけだと、重み順になっていないので、LogisticRegressionオブジェクトの coef_ を参照します。 ここには get_feature_namesで得た素性リストの順に重みデータがリストで入っています。

numpyのargsortを使って、素性リストをソート使しています。 このargsortはちょっと変わっていて、リストの中身で(重み順で)ソートしてくれるのですが、 その結果は、ソート順に並び替えられた要素のインデックスが得られます。 まあ、処理速度を考慮するとそれが妥当なのかも。これを使ってTop10, Bottom 10を取り出しています。

■ Pythonのコード

import re
from nltk import stem
import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.externals import joblib

class Stopwords:
    words = ['a', 'about', 'all', 'an', 'and', 'any', 'are', 'as', \
            'at', 'be', 'been', 'but', 'by', 'can', 'could', 'do', \
            'does', 'for', 'from', 'has', 'have', 'he', 'her', 'his', \
            'how', 'i', 'if', 'in', 'into', 'is', 'it', 'its', 'made', \
            'make', 'may', 'me', 'my', 'no', 'not', 'of', 'on', 'one', \
            'or', 'out', 'she', 'should', 'so', 'some', 'than', 'that', \
            'the', 'their', 'them', 'there', 'then', 'they', 'this', \
            'those', 'to', 'too', 'us', 'was', 'we', 'what', 'when',\
            'which', 'who', 'with', 'would', 'you', 'your', ''
        ]

    @staticmethod
    def exists(word):
        return word in  Stopwords.words

class SentimentFeatures:
    def __init__(self):
        self.stemmer = stem.PorterStemmer()
        self.validreg = re.compile(r'^[-=!@#$%^&*()_+|;";,.<>/?]+$')
        self.splitreg = re.compile(r'\s|,|\.|\(|\)|\'|/|\'|\[|\]|-')

    def isValid(self, word):
        if word == '' or len(word) <= 2:
            return False
        if self.validreg.match(word):
            return False
        return not Stopwords.exists(word)

    def getFromLine(self, line):
        array = self.splitreg.split(line)
        # こういう時はlambda キーワードいらないんですね。
        words = filter(self.isValid, array)
        xs = map(self.stemmer.stem, words)
        return xs

    def enumerate(self, filename, encoding):
        with open(filename, 'r', encoding=encoding) as fin:
            for line in fin:
                sentiment = line[:3]
                yield sentiment, self.getFromLine(line[3:])

class SentimentAnalyser:
    def __init__(self):
        self.cv = CountVectorizer(encoding='utf-8')
        self.lr = LogisticRegression(solver='sag', max_iter=10000)

    # LogisticRegression を使い学習する
    def fit(self, X_train, y_train):
        X_train_cv = self.cv.fit_transform(X_train)
        self.lr.fit(X_train_cv, y_train)

    # LogisticRegression を使い予測する
    def predict(self, X_test):
        x = self.cv.transform(X_test)
        return self.lr.predict(x)

    # 予測し、分類毎に確率を得る
    def predict_proba(self, X_test):
        x = self.cv.transform(X_test)
        return self.lr.predict_proba(x)

    # 学習済みデータをロードする
    def load(self):
        self.cv = joblib.load('chapter08/cv73.learn')
        self.lr = joblib.load('chapter08/lr73.learn')

    # 学習済みデータを保存する
    def save(self):
        # 学習したデータを保存する
        joblib.dump(self.cv, 'chapter08/cv73.learn')
        joblib.dump(self.lr, 'chapter08/lr73.learn')

    # 学習に利用するデータを取り出す
    # y[] は、センチメント
    # X[] は、素性データ
    @staticmethod
    def getFeatureData(filename):
        X = []
        y = []
        sf = SentimentFeatures()
        for sentiment, features in sf.enumerate(filename, 'cp1252'):
            y.append(1.0 if sentiment[0] == '+' else 0.0)
            X.append(' '.join(features))
        return X, y

def main():
    sa = SentimentAnalyser()
    sa.load()

    # fit_transform/transformに渡した単語一覧(学習データ一覧)を得る (重複はなし)
    features = sa.cv.get_feature_names()
    # coef_ には学習した結果の重みが入る。
    # これをソートして、そのインデックスを得る argsortはソートした結果のインデックスが返る
    sorted_idx = np.argsort(sa.lr.coef_)[0]
    print('重みの高い素性トップ10')
    for i in sorted_idx[-1:-11:-1]:
        print(features[i])
    print()
    print('重みの低い素性トップ10')
    for i in sorted_idx[:10]:
        print(features[i])

if __name__ == '__main__':
    main()


■ 結果

重みの高い素性トップ10
engross
refresh
smarter
unexpect
remark
resist
grown
examin
refreshingli
confid

重みの低い素性トップ10
bore
dull
fail
mediocr
plod
routin
wasn
neither
badli
wast
  
Posted by gushwell at 22:00Comments(0)

2018年10月08日

言語処理100本ノックでPython入門 #74 - 機械学習、scikit-learnでロジスティック回帰の予測


今日は言語処理100本ノック 2015の第8章・機械学習の問題74を解きました。

■ 問題

74. 予測
73で学習したロジスティック回帰モデルを用い,与えられた文の極性ラベル(正例なら"+1",負例なら"-1")と,その予測確率を計算するプログラムを実装せよ.


■ Pythonのコード

import re
from nltk import stem
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import LogisticRegression
#from sklearn.metrics import accuracy_score, classification_report
from sklearn.externals import joblib

class Stopwords:
    words = ['a', 'about', 'all', 'an', 'and', 'any', 'are', 'as', \
            'at', 'be', 'been', 'but', 'by', 'can', 'could', 'do', \
            'does', 'for', 'from', 'has', 'have', 'he', 'her', 'his', \
            'how', 'i', 'if', 'in', 'into', 'is', 'it', 'its', 'made', \
            'make', 'may', 'me', 'my', 'no', 'not', 'of', 'on', 'one', \
            'or', 'out', 'she', 'should', 'so', 'some', 'than', 'that', \
            'the', 'their', 'them', 'there', 'then', 'they', 'this', \
            'those', 'to', 'too', 'us', 'was', 'we', 'what', 'when',\
            'which', 'who', 'with', 'would', 'you', 'your', ''
        ]

    @staticmethod
    def exists(word):
        return word in  Stopwords.words

class SentimentFeatures:
    def __init__(self):
        self.stemmer = stem.PorterStemmer()
        self.validreg = re.compile(r'^[-=!@#$%^&*()_+|;";,.<>/?]+$')
        self.splitreg = re.compile(r'\s|,|\.|\(|\)|\'|/|\'|\[|\]|-')

    def isValid(self, word):
        if word == '' or len(word) <= 2:
            return False
        if self.validreg.match(word):
            return False
        return not Stopwords.exists(word)

    def getFromLine(self, line):
        array = self.splitreg.split(line)
        # こういう時はlambda キーワードいらないんですね。
        words = filter(self.isValid, array)
        xs = map(self.stemmer.stem, words)
        return xs

    def enumerate(self, filename, encoding):
        with open(filename, 'r', encoding=encoding) as fin:
            for line in fin:
                sentiment = line[:3]
                yield sentiment, self.getFromLine(line[3:])

class SentimentAnalyser:
    def __init__(self):
        self.cv = CountVectorizer(encoding='utf-8')
        self.lr = LogisticRegression(solver='sag', max_iter=10000)

    # LogisticRegression を使い学習する
    def fit(self, X_train, y_train):
        X_train_cv = self.cv.fit_transform(X_train)
        self.lr.fit(X_train_cv, y_train)

    # LogisticRegression を使い予測する
    def predict(self, X_test):
        x = self.cv.transform(X_test)
        return self.lr.predict(x)

    # 予測し、分類毎に確率を得る
    def predict_proba(self, X_test):
        x = self.cv.transform(X_test)
        return self.lr.predict_proba(x)

    # 学習済みデータをロードする。ファイル名が良くなかったなー
    def load(self):
        self.cv = joblib.load('chapter08/cv73.learn')
        self.lr = joblib.load('chapter08/lr73.learn')

    # 学習済みデータを保存する
    def save(self):
        # 学習したデータを保存する
        joblib.dump(self.cv, 'chapter08/cv73.learn')
        joblib.dump(self.lr, 'chapter08/lr73.learn')

    # 学習に利用するデータを取り出す
    # y[] は、センチメント
    # X[] は、素性データ
    @staticmethod
    def getFeatureData(filename):
        X = []
        y = []
        sf = SentimentFeatures()
        for sentiment, features in sf.enumerate(filename, 'cp1252'):
            y.append(1.0 if sentiment[0] == '+' else 0.0)
            X.append(' '.join(features))
        return X, y

# dataのセンチメントを予測する
def predictSentiment(sa, data):
    x = [data]
    y_test_pred = sa.predict(x)
    pr = sa.predict_proba(x)
    print(data.rstrip('\n'))
    print('予測:{} 確率:{}\n'.format('+1' if y_test_pred[0] == 1 else '-1', \
        pr[0][0] if y_test_pred[0] == 0 else pr[0][1]))

def main():
    sa = SentimentAnalyser()
    sa.load()

    # テストの文を考えるのが面倒なので、元のデータから6つほど借用して、テストデータにしている。
    # これだとあまり意味がないけど...
    texts = [\
        'perhaps the best sports movie i''ve ever seen.', \
        'i had more fun watching spy than i had with most of the big summer movies.', \
        'vividly conveys the shadow side of the 30-year friendship between two english women.', \
        'an excruciating demonstration of the unsalvageability of a movie saddled with an amateurish screenplay.', \
        'sadly , hewitt''s forte is leaning forward while wearing low-cut gowns , not making snappy comebacks.', \
        'since lee is a sentimentalist , the film is more worshipful than your random e ! true hollywood story.'
    ]
    sf = SentimentFeatures()
    for text in texts:
        features = sf.getFromLine(text)
        x_test = ' '.join(features)
        predictSentiment(sa, x_test)

if __name__ == '__main__':
    main()


■ 少し解説

今回は、前回定義したSentimentAnalyserクラスに新たに3つのメソッドを追加しました。

predictメソッド
LogisticRegression を使い予測します。予測した結果は0か1に分類されます。0がネガティブである"-1"を、 1がポジティブである"+1"を表します。

predict_proba
予測し、分類毎に確率を得ています。
本当は、このメソッドだけにしたいのですが、LogisticRegressionのpredict_probaが返すデータの中に、 LogisticRegressionのpredictメソッドが返すデータが入っていないような気がするので、predictメソッドとこのメソッドの2つを定義しています。

load
学習済みデータをロードします。

それと、単独の関数predictSentimentも定義。

predictSentiment
これは単独の関数。与えられた文章から結果を予測し、その予測した結果と、予測確率を表示しています。 予測確率は、predict_probaメソッドが返すデータから取得しています。 予測結果(0か1)により、予測確率の取り出す場所が異なっています。

■ 結果

perhap best sport movi ive ever seen
予測:+1 確率:0.9006017914136548
had more fun watch spi had most big summer movi
予測:+1 確率:0.7479161215615849
vividli convey shadow side year friendship between two english women
予測:+1 確率:0.9409305758954958
excruci demonstr unsalvag movi saddl amateurish screenplay
予測:-1 確率:0.8628974528161055
sadli hewitt fort lean forward while wear low cut gown make snappi comeback
予測:-1 確率:0.9293995549165373
sinc lee sentimentalist film more worship random true hollywood stori
予測:-1 確率:0.8095457186618346
  
Posted by gushwell at 21:00Comments(0)

2018年09月30日

言語処理100本ノックでPython入門 #73 - 機械学習、scikit-learnでロジスティック回帰


今日は言語処理100本ノック 2015の第8章・機械学習の問題73に挑戦です。

■ 問題

73. 学習
72で抽出した素性を用いて,ロジスティック回帰モデルを学習せよ.

■ scikit-learnの準備


問題72までやって、やっと機械学習のための下準備ができたので、これから機械学習に入ります。第8章の学習項目には、scikit-learn とあるので、scikit-learnを使って機械学習をさせようと思います。 anaconda3には、scikit-learnモジュールが含まれているので、そのままimportするだけです。

以下の3つをimportします。
from sklearn.linear_model import LogisticRegression
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.externals import joblib

LogisticRegressionがロジスティック回帰分析を行うモジュールです。 CountVectorizerは、単語リストをベクトル化するために使います。 joblibは、学習した結果をファイルに保存するために使います。

今回作成したクラスは、SentimentAnalyserクラスです。SentimentFeatures、Stopwordsは前回と同じです。

まだ、scikit-learnについてあまり知識がない状況なので、いろんなサイトを見ながら作成しています。 以下にコードを載せます。

■ Pythonのコード

import re
from nltk import stem
from sklearn.linear_model import LogisticRegression
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.externals import joblib

class Stopwords:
    words = [
        'a', 'about', 'all', 'an', 'and', 'any', 'are', 'as', \
        'at', 'be', 'been', 'but', 'by', 'can', 'could', 'do', \
        'does', 'for', 'from', 'has', 'have', 'he', 'her', 'his', \
        'how', 'i', 'if', 'in', 'into', 'is', 'it', 'its', 'made', \
        'make', 'may', 'me', 'my', 'no', 'not', 'of', 'on', 'one', \
        'or', 'out', 'she', 'should', 'so', 'some', 'than', 'that', \
        'the', 'their', 'them', 'there', 'then', 'they', 'this', \
        'those', 'to', 'too', 'us', 'was', 'we', 'what', 'when',\
        'which', 'who', 'with', 'would', 'you', 'your', ''
    ]

    @staticmethod
    def exists(word):
        return word in  Stopwords.words

class SentimentFeatures:
    def __init__(self, filename):
        self.filename = filename
        self.stemmer = stem.PorterStemmer()

    @staticmethod
    def isValid(word):
        if word == '' or len(word) <= 2:
            return False
        if re.match(r'^[-=!@#$%^&*()_+|;";,.<>/?]+$', word):
            return False
        return not Stopwords.exists(word)

    def getFromLine(self, line):
        sentiment = line[:3]
        array = re.split(r'\s|,|\.|\(|\)|\'|/|\'|\[|\]|-', line[3:])
        # こういう時はlambda キーワードいらないんですね。
        words = filter(self.isValid, array)
        xs = map(self.stemmer.stem, words)
        return sentiment, xs

    def enumerate(self):
        with open(self.filename, 'r') as fin:
            for line in fin:
                yield self.getFromLine(line)


class SentimentAnalyser:
    def __init__(self):
        self.cv = CountVectorizer(encoding='utf-8')
        self.lr = LogisticRegression(solver='sag', max_iter=10000)

    # LogisticRegression を使い学習する
    def fit(self, X_train, y_train):
        X_train_cv = self.cv.fit_transform(X_train)
        self.lr.fit(X_train_cv, y_train)

    # 学習済みデータを保存する
    def save(self):
        # 学習したデータを保存する
        joblib.dump(self.cv, 'chapter08/cv73.learn')
        joblib.dump(self.lr, 'chapter08/lr73.learn')

    # 学習に利用するデータを取り出す
    # X[] は、素性データ
    # y[] は、センチメント (正解データ)
    @staticmethod
    def getFeatureData(filename):
        X = []
        y = []
        sf = SentimentFeatures(filename)
        for sentiment, features in sf.enumerate():
            y.append(1.0 if sentiment[0] == '+' else 0.0)
            X.append(' '.join(features))
        return X, y

def main():
    sa = SentimentAnalyser()
    X_train, y_train = sa.getFeatureData('chapter08/sentiment.txt')
    sa.fit(X_train, y_train)
    sa.save()

if __name__ == '__main__':
    main()


■ ちょっと解説 

getFeatureDataは、学習に利用する素性データをファイルから取り出すメソッドです。リストにいっぺんに入れています。

戻り値のXが学習用データ、yが正解データです。

fitが学習メソッド 与えられたデータをもとにfitメソッドで学習します。 fitメソッドを呼び出す前に、

X_train_cv = self.cv.fit_transform(X_train)

で、X_Trainデータをベクトル化しています。self.cv.は、CountVectorizerオブジェクトです。 って、本当にこれでいいのかはっきり言って自身がないです。

ベクトル化したものをLogisticRegressionのオブジェクトのfitメソッドに渡して学習させます。 もちろん、正解データも一緒に渡します。

LogisticRegressionのオブジェクト生成時のsolverには、
 'newton-cg', 'lbfgs', 'liblinear', 'sag', 'saga' 
のいずれかを指定しますが、この学習ではどれが良いのかよくわかっていません。ここでは、'sag'を選びました。

saveが学習済みのデータを保存するメソッドです。 CountVectorizerオブジェクトも保存しています。

main関数では、SentimentAnalyserクラスのインスタンスを生成し、getFeatureData, fit, save を順番に呼び出しています。

実行して、しばらく待つと、2つのファイルが作成されます。

  
Posted by gushwell at 21:30Comments(0)

2018年09月25日

言語処理100本ノックでPython入門 #72 - 機械学習、素性抽出


今日は言語処理100本ノック 2015の第8章・機械学習の問題72に挑戦です。

■ 問題
72. 素性抽出
極性分析に有用そうな素性を各自で設計し,学習データから素性を抽出せよ.素性としては,レビューからストップワードを除去し,各単語をステミング処理したものが最低限のベースラインとなるであろう.

■ どうやって解くか

素性を各自で設計しと言われても、その知識が無いので困りました。

ただ、「素性としては,レビューからストップワードを除去し,各単語をステミング処理したものが最低限のベースラインとなるであろう.」 とあるので、極性分析(+評価か-評価か)に不要そうな単語を取り除けばよさそうです。 ステミングは、第6章でやったので、その時に使った nltkモジュールを使いました。

Stopwordsクラスは前問と同じものです。 新たに、SentimentFeaturesクラスを定義しました。
main関数では、このSentimentFeaturesクラスのenumerateで素性を列挙し、確認用に先頭50個だけを表示しています。

SentimentFeaturesクラスのメソッドは以下の3つです。

isValid
極性分析に有効そうな単語かどうかを判断、isValidならば、素性データとして残す。無効な単語は、「ストップワード」「文字数が2以下の単語」「記号からなるもの」の3つ。

getFromLine
与えられた1行(問題70で作成したテキストファイルの1行)を単語に分割しisValidの単語を抜き出し、それをステミングしたものを返す。この時、極性データ(+1, -1)とともにタプルで返す。

enumerate
問題70で作成したsentiment.txtから1行ずつ読み込み、getFromLineにその1行を渡して得られたデータ(極性データと、素性としての単語のタプル)を列挙。


ところで、getFromLineメソッドの中でfilterとmap関数を使っていますが、ラムダ式ではなくて、関数名だけを指定することもできるんですね。 これは、C#と同じです。ちゃんとpylintが指摘してくれました。

■ Pythonのコード

import re
from nltk import stem

class Stopwords:
    words = ['a', 'about', 'all', 'an', 'and', 'any', 'are', 'as', \
            'at', 'be', 'been', 'but', 'by', 'can', 'could', 'do', \
            'does', 'for', 'from', 'has', 'have', 'he', 'her', 'his', \
            'how', 'i', 'if', 'in', 'into', 'is', 'it', 'its', 'made', \
            'make', 'may', 'me', 'my', 'no', 'not', 'of', 'on', 'one', \
            'or', 'out', 'she', 'should', 'so', 'some', 'than', 'that', \
            'the', 'their', 'them', 'there', 'then', 'they', 'this', \
            'those', 'to', 'too', 'us', 'was', 'we', 'what', 'when',\
            'which', 'who', 'with', 'would', 'you', 'your', ''
        ]

    @staticmethod
    def exists(word):
        return word in  Stopwords.words

class SentimentFeatures:
    def __init__(self, filename):
        self.filename = filename
        self.stemmer = stem.PorterStemmer()

    @staticmethod
    def isValid(word):
        if word == '' or len(word) <= 2:
            return False
        if re.match(r'^[-=!@#$%^&*()_+|;";,.<>/?]+$', word):
            return False
        return not Stopwords.exists(word)

    def getFromLine(self, line):
        sentiment = line[:3]
        array = re.split(r'\s|,|\.|\(|\)|\'|/|\'|\[|\]|-', line[3:])
        # こういう時はlambda キーワードいらないんですね。
        words = filter(self.isValid, array)
        xs = map(self.stemmer.stem, words)
        return sentiment, xs

    def enumerate(self):
        with open(self.filename, 'r') as fin:
            for line in fin:
                yield self.getFromLine(line)

def main():
    sf = SentimentFeatures('chapter08/sentiment.txt')
    for sentiment, features in list(sf.enumerate())[:50]:
        print(sentiment, " ".join(features))

if __name__ == '__main__':
    main()


■ 結果

10個だけ載せます。

-1  film depress life itself
-1  ill fit tuxedo strictli off rack
-1  clich escap perfervid treatment gang warfar call ce wild
-1  circuit queen won learn thing busi curs film strateg place white sheet
-1  waterlog script plumb unchart depth stupid incoher sub sophomor sexual banter
+1  imax strap pair goggl shut real world take vicari voyag last frontier space
-1  analyz movi three word thumb friggin down
+1  stori haven seen big screen befor stori american human be know
-1  bray complet sea noth savag garden music video resum clue make movi
+1  teen review such recommend onli under year age onli veri mild rental



  
Posted by gushwell at 21:30Comments(0)

2018年09月19日

言語処理100本ノックでPython入門 #71 - 機械学習、ストップワード


今日は言語処理100本ノック 2015の第8章・機械学習の問題71に挑戦です。

■ 問題

71. ストップワード
英語のストップワードのリスト(ストップリスト)を適当に作成せよ.さらに,引数に与えられた単語(文字列)がストップリストに含まれている場合は真,それ以外は偽を返す関数を実装せよ.さらに,その関数に対するテストを記述せよ.


■ どうやって解くか

ストップワードとは、言語処理する際にに、あまりにも一般的過ぎるため処理対象から外す単語のことらしいです。適当に作成せよとのことなので。いくつかのサイトを参考にして適当に作成(笑)。きっとこれによって学習結果が変わってくる可能性もあるので、本当ならばもっと吟味する必要があるのかもしれません。このストップワードのリストはStopwordsクラスのなかに、リテラル値で定義。

「引数に与えられた単語(文字列)がストップリストに含まれている場合は真,それ以外は偽を返す関数」を実装せよ.

とのことで、Stopwordsクラスにexistsメソッドを定義しました。このメソッドは静的メソッドにしたかったので、アノテーション @staticmethod を付加しています。

静的メソッドは、自分自身のオブジェクトは受け取る必要はないので、純粋な引数だけを指定しています。

in 演算子で、リストの中に含まれているかどうかを判定しているだけの単純なメソッドです。

■ Pythonのコード

class Stopwords:
    words = ['a', 'about', 'all', 'an', 'and', 'any', 'are', 'as', \
            'at', 'be', 'been', 'but', 'by', 'can', 'could', 'do', \
            'does', 'for', 'from', 'has', 'have', 'he', 'her', 'his', \
            'how', 'i', 'if', 'in', 'into', 'is', 'it', 'its', 'made', \
            'make', 'may', 'me', 'my', 'no', 'not', 'of', 'on', 'one', \
            'or', 'out', 'she', 'should', 'so', 'some', 'than', 'that', \
            'the', 'their', 'them', 'there', 'then', 'they', 'this', \
            'those', 'to', 'too', 'us', 'was', 'we', 'what', 'when',\
            'which', 'who', 'with', 'would', 'you', 'your', ''
        ]

    @staticmethod
    def exists(word):
        return word in  Stopwords.words

def test():
    w = 'in'
    print(w, Stopwords.exists(w))
    w = 'what'
    print(w, Stopwords.exists(w))
    w = 'list'
    print(w, Stopwords.exists(w))
    w = 'yes'
    print(w, Stopwords.exists(w))

def main():
    test()

if __name__ == '__main__':
    main()


■ 結果

以下、testメソッドの結果です。

in True
what True
list False
yes False
  
Posted by gushwell at 22:30Comments(0)

2018年09月17日

言語処理100本ノックでPython入門 #70 - 機械学習、データの入手・整形


今日から言語処理100本ノック 2015の第8章・機械学習に突入です。scikit-learnを使って解いていく予定ですが、1問目はscikit-learnとは直接は関係ない問題です。いわゆる前処理ってやつですね。

■ 問題
本章では,Bo Pang氏とLillian Lee氏が公開しているMovie Review Dataのsentence polarity dataset v1.0を用い,文を肯定的(ポジティブ)もしくは否定的(ネガティブ)に分類するタスク(極性分析)に取り組む.

70. データの入手・整形
文に関する極性分析の正解データを用い,以下の要領で正解データ(sentiment.txt)を作成せよ.
  1. rt-polarity.posの各行の先頭に"+1 "という文字列を追加する(極性ラベル"+1"とスペースに続けて肯定的な文の内容が続く)
  2. rt-polarity.negの各行の先頭に"-1 "という文字列を追加する(極性ラベル"-1"とスペースに続けて否定的な文の内容が続く)
  3. 上述1と2の内容を結合(concatenate)し,行をランダムに並び替える
sentiment.txtを作成したら,正例(肯定的な文)の数と負例(否定的な文)の数を確認せよ.

■ どうやって解くか

どうしようか悩みましたが、入力ファイルは極性ラベルを付けていったんリストに格納します。 AddPlus, AddMinus がそのメソッドです。

で、この2つをさらに + 演算子で結合し、そのあと、random.shiftでランダムに並び替えます。 これを、sentiment.txtに出力します。

今回のトピックは、+ 演算子でのリストの連結と、random.shiftによるランダムな並び替えの2つ。 第8章: 機械学習の1問目は、今までの延長でなんとかなりました。

それと、入力ファイルが、UTF-8ではありませんでした。なので、encoding='cp1252' のオプションを付けて読み込んでいます。

■ Pythonのソース

import random

def AddPlus():
    lines = []
    with open('rt-polarity.pos', 'r', encoding='cp1252') as fin:
        for line in fin:
            lines.append('+1 ' + line)
    return lines

def AddMinus():
    lines = []
    with open('rt-polarity.neg', 'r', encoding='cp1252') as fin:
        for line in fin:
            lines.append('-1 ' + line)
    return lines

def CreateText():
    lines = AddPlus() + AddMinus()
    random.shuffle(lines)
    with open('sentiment.txt', 'w') as fout:
        fout.writelines(lines)


def main():
    CreateText()

if __name__ == '__main__':
    main()

■ 結果

出力ファイルの先頭8行を載せます。

+1 a wonderful character-based comedy . 
-1 a ragbag of cliches . 
+1 gently humorous and touching . 
-1 the first fatal attraction was vile enough . do we really need the tiger beat version ? 
-1 shafer's feature doesn't offer much in terms of plot or acting . 
-1 the material and the production itself are little more than routine . 
+1 it's a beautifully accomplished lyrical meditation on a bunch of despondent and vulnerable characters living in the renown chelsea hotel . . . 
+1 captivates and shows how a skillful filmmaker can impart a message without bludgeoning the audience over the head . 
  
Posted by gushwell at 22:30Comments(0)

2018年09月05日

言語処理100本ノックでPython入門 #69 - FlaskでWebアプリケーションを作成


とうとう言語処理100本ノック 2015の第7章・問題69です。やっと7章の最後の問題まできました。

■ 問題
69. Webアプリケーションの作成
ユーザから入力された検索条件に合致するアーティストの情報を表示するWebアプリケーションを作成せよ.アーティスト名,アーティストの別名,タグ等で検索条件を指定し,アーティスト情報のリストをレーティングの高い順などで整列して表示せよ.

PythonでWebアプリケーションってどうやって作成するのかそのそも経験がないのでわからない。 しらべたところ、DjangoとFlaskというフレームワークがあるらしい。 今回は、手軽そうなFlaskを使って問題を解いてみようと思います。
conda list flask
とやると、

flask                     0.12                     py36_0
flask-cors                3.0.2                    py36_0
って表示されたので、anacondaには、すでにflaskが入っているみたい。
なので、これを使うことにします。

■ HTMLレイアウトファイルの作成

あちこちのサイトの見よう見まねで、テンプレートファイルを作成します。
まずは、大本となるlayout.htmlファイル。

<!DOCTYPE html>
<html>
<head>
    <link href="https://maxcdn.bootstrapcdn.com/bootstrap/3.3.7/css/bootstrap.min.css" rel="stylesheet">
    <title>言語処理100本ノック:No69</title>
    <style>
        body {
            margin: 20px;
        }
    </style>
<body>
    <div class="container-fluid">
    {% block content %}
    <!-- ここにメインコンテンツが挿入される  -->
    {% endblock %}
    </div>
</body>
</head>


とりあえず、bootstrapを使います。デザインに凝るつもりはないですが...
cssファイルを別に作るまでもないので、styleタグでbodyのmarginだけ指定しています。

■ 検索ページのhtmlファイル

次に作成するのは、検索用のhtmlファイルです。

{% extends "layout.html" %}
{% block content %}

<form method="post" class="form-horizontal">
    <div  class="form-group">
        <label class="control-label col-xs-2">名前: </label>
        <input name="name" type="text" >
    </div>
    <div  class="form-group">
        <label class="control-label col-xs-2">地域: </label>
        <input name="area" type="text" >
    </div>
    <div  class="form-group">
        <label class="control-label col-xs-2">タグ: </label>
        <input name="tag" type="text" >
    </div>
    <div  class="form-group">
        <div class="control-label col-xs-2"></div>
        <button class="btn btn-primary" type="submit">検索</button>
    </div>    
</form>
{% endblock %}
※ あれ、なんかHTMLコードの色付けがおかしいけど、許してください。

先頭と最後に、flask特有の記述がありますが、それ以外は普通のhtmlファイルです。
class名には、bootstrap専用のクラス名を指定しています。

■ 結果表示用のhtmlファイルの作成

次に結果表示用のhtmlファイルを作成します。

{% extends "layout.html" %}
{% block content %}
<h3>結果一覧</h3>
<p>
<a href="/">戻る</a>
</p>
<div class="table-responsive">
    <table class="table table-striped">
        <thead>
            <tr>
                <th>名前</th>
                <th>地域</th>
                <th>性別</th>
                <th>タグ</th>
                <th>別名</th>
                <th>タイプ</th>
            </tr>
        </thead>
        <tbody>
            {% for artist in artists %}
            <tr>
                <td>{{ artist.name }}</td>
                <td>{{ artist.area }}</td>
                <td>{{ artist.gender }}</td>
                <td>
                    {% for tag in artist['tags'] %}
                        {{ tag.value }}<br>
                    {% endfor %}
                </td>
                <td>
                    {% for alias in artist['aliases'] %}
                        {{ alias.name }}<br>
                    {% endfor %}
                </td>
                <td>{{ artist.type }}</td>
                </tr>
            {% else %}
                <td>書籍が登録されていません</td>
            {% endfor %}
        </tbody>
    </table>
</div>
{% endblock %}

{{}}でくくっているのが、モデルとバインドする項目です。

{% for artist in artists %}など、{% %}で括られているのは、flaskのテンプレートエンジンが処理するための記述です。forにelseが使えるのがいかにもPython用のフレームワークですね。

ちなみに、MongoDBから検索した結果(複数)がartistsです。これを forで回して、artist.nameとかartist['aliases']といった記述で取り出しています。まあ、artist.aliasesでもいいんですけど、気分で両方の書き方をしてみました。

このアプリは、検索ページ「検索」ボタンをしたら、その結果を表形式で表示するだけなので、定義するページはこれで終わりです。

■ Pyrthonのコード

それでは、Pythoのコードです。

import pymongo
from flask import Flask, render_template, request

class SearchInfo:
    def __init__(self, name, area, tag):
        self.name = name
        self.area = area
        self.tag = tag

class Searcher:
    def __init__(self):
        self.client = pymongo.MongoClient('localhost', 27017)
        self.db = self.client['MusicBrainzDb']
        self.co = self.db['artists']

    def search(self, info):
        query = { '$and' : [ ]}
        if info.name != '':
            cond = []
            cond.append({ 'aliases.name': info.name })
            cond.append({ 'name': info.name })
            query['$and'].append({ '$or': cond })
        if info.area != '':
            query['$and'].append({ 'area': info.area })
        if info.tag != '':
            query['$and'].append({ 'tags.value': info.tag })
        q2 = self.co.find(query).sort('rating.count', pymongo.DESCENDING)
        return list(q2)[:100]

app = Flask(__name__)

@app.route('/', methods=['GET', 'POST'])
def index():
    if request.method == 'POST':
        searcher = Searcher()
        results = searcher.search(SearchInfo(request.form['name'], request.form['area'], request.form['tag']))
        return render_template('result.html', artists=results) 
    else:
        return render_template('search.html') 

if __name__ == "__main__":
    app.run(debug=True)

SearchInfoクラスは、Flaskとは直接は関係していないクラスなので、普通に書けばOK.

flask関連のコードは、これ以降のコードです。

app = Flask(__name__)
これで、Flaskオブジェクトを生成して、runメソッドでWebアプリを起動しています。

def index():

が、アクセスした時に呼び出される関数です。今回のアプリでは、URLは、ルート(/)だけです。

@app.route('/', methods=['GET', 'POST'])
で、get/post両方で、この関数が呼ばれるようにしています。

getならば、render_template関数を使って、search.htmlをレンダリングした結果を返しています。
postならば検索してから、result.htmlをレンダリングして返しています。このとき、
artists=results

で、htmlテンプレートのartistsと検索結果を関連付けています。

■ 実行してみる

MongoDBが起動してある前提です。
めんどくさいので、Visla Studio Codeのデバッグ機能をつかって実行ました。

コンソールに以下のようなメッセージが表示されます。

 * Running on http://127.0.0.1:5000/ (Press CTRL+C to quit)
 * Restarting with stat
 * Debugger is active!
 * Debugger pin code: 148-857-886

なので、http://127.0.0.1:5000/ にアクセス。

すると、以下のようなページが表示されるので、ここで適当に検索ワードを入れます。

スクリーンショット 2018-09-02 15.31.25
検索ボタンを押します。
すると、無事検索されて、以下の結果が得られました。
スクリーンショット 2018-09-02 15.31.49
これだけだと、ルーティング、リダイレクト、認証...などわからないことも多いですが、Flaskの基礎の基礎はわかったような気がします。まあ、HTMLテンプレートでサーバー側のモデルとバインドさせてHTMLをレンダリングするってのは、ASP.NET MVCと考え方は同じですね。ただ、Controller作る必要がないので、どう設計するかは開発者に任されているということなんですかね。実際にアプリ作成するとなるとベストプラクティスとか知る必要がありそうです。 でも、慣れないことやったので、さすがに疲れました。  
Posted by gushwell at 22:00Comments(0)