支持向量机(SVM)进行文本分类的Python简单示例实现

支持向量机(Support Vector Machine,SVM)是一种常用的机器学习算法,主要用于分类和回归问题。它的基本思想是将数据映射到高维空间中,使得数据在该空间中线性可分,然后在该空间中寻找最优的超平面,将不同类别的数据分开。

SVM的优点在于可以处理高维数据,具有较好的泛化能力和鲁棒性。同时,SVM还可以使用核函数将数据映射到更高维的空间中,从而处理非线性问题。

SVM的核心是支持向量,即距离超平面最近的数据点。在训练过程中,SVM会寻找最大间隔超平面,即距离支持向量最远的超平面。这样可以使得分类器的泛化能力更好,对新的数据具有更好的预测能力。

SVM的训练过程可以使用优化算法来实现,例如序列最小优化(Sequential Minimal Optimization,SMO)算法。在实际应用中,SVM还可以使用软间隔和核函数等技术来处理噪声和非线性问题。

python 复制代码
from sklearn.feature_extraction.text import CountVectorizer
import numpy as np
from sklearn import svm

X = np.array([
    "这个电影太好看了",
    "这个电影真是太差了",
    "我喜欢这个电视剧",
    "这个电视剧太无聊了"
])

y = np.array([1, 0, 1, 0])  # 1代表积极,0代表消极

vectorizer = CountVectorizer()
X = vectorizer.fit_transform(X)

clf = svm.SVC() #创建一个SVC对象,并使用fit方法拟合数据
clf.fit(X, y)

new_text = np.array(["这个电影非常棒"])  #假设有一个新的文本数据new_text
new_text = vectorizer.transform(new_text)
prediction = clf.predict(new_text)

print(prediction)   #prediction是一个数组,包含了预测结果

如果你的数据来源于一个CSV文件中的很多条文本,你可以使用Python中的pandas库来读取CSV文件 。CSV中数据格式示例如下,包含两个字段:textlabel。第一行是字段名,后面的行是数据记录。每一行的字段值使用逗号进行分隔:

python 复制代码
text,label
这个电影太好看了,1
这个电影真是太差了,0
我喜欢这个电视剧,1
这个电视剧太无聊了,0
python 复制代码
from sklearn.feature_extraction.text import CountVectorizer
import numpy as np
from sklearn import svm

# 读取CSV文件
df = pd.read_csv('data.csv', encoding='utf-8')

# 获取文本数据和标签
X = df['text'].values
y = df['label'].values


vectorizer = CountVectorizer()
X = vectorizer.fit_transform(X)

clf = svm.SVC() #创建一个SVC对象,并使用fit方法拟合数据
clf.fit(X, y)

new_text = np.array(["这个电影非常棒"])  #假设有一个新的文本数据new_text
new_text = vectorizer.transform(new_text)
prediction = clf.predict(new_text)

print(prediction)   #prediction是一个数组,包含了预测结果

如果你的数据来源于一个txt文本中的很多句子,句子和标签之间用逗号分隔,示例如下:

复制代码
这个电影太好看了,1
这个电影真是太差了,0
我喜欢这个电视剧,1
这个电视剧太无聊了,0
python 复制代码
from sklearn.feature_extraction.text import CountVectorizer
import numpy as np
from sklearn import svm

# 读取txt文件
with open('data.txt', 'r', encoding='utf-8') as file:
    lines = file.readlines()

sentences = []
labels = []

# 分割句子和标签
for line in lines:
    line = line.strip()  # 去除换行符和空格
    sentence, label = line.split(',')  # 使用逗号分隔句子和标签
    sentences.append(sentence)
    labels.append(label)

y=np.array(labels)

vectorizer = CountVectorizer()
X = vectorizer.fit_transform(sentences)

clf = svm.SVC() #创建一个SVC对象,并使用fit方法拟合数据
clf.fit(X, y)

new_text = np.array(["这个电影非常棒"])  #假设有一个新的文本数据new_text
new_text = vectorizer.transform(new_text)
prediction = clf.predict(new_text)

print(prediction)   #prediction是一个数组,包含了预测结果

示例中使用了简单的词袋模型,将每个文本表示为一个向量,其中每个维度表示一个词的出现次数,使用CountVectorizer实现了这一步骤。

程序输出结果如下:

python 复制代码
[1]
相关推荐
都叫我大帅哥1 小时前
Python的Optional:让你的代码优雅处理“空值”危机
python
曾几何时`3 小时前
基于python和neo4j构建知识图谱医药问答系统
python·知识图谱·neo4j
石迹耿千秋5 小时前
迁移学习--基于torchvision中VGG16模型的实战
人工智能·pytorch·机器学习·迁移学习
写写闲篇儿5 小时前
Python+MongoDB高效开发组合
linux·python·mongodb
杭州杭州杭州6 小时前
Python笔记
开发语言·笔记·python
Wendy14417 小时前
【线性回归(最小二乘法MSE)】——机器学习
算法·机器学习·线性回归
拾光拾趣录8 小时前
括号生成算法
前端·算法
路人蛃8 小时前
通过国内扣子(Coze)搭建智能体并接入discord机器人
人工智能·python·ubuntu·ai·aigc·个人开发
qiqiqi(^_×)8 小时前
卡在“pycharm正在创建帮助程序目录”
ide·python·pycharm
渣呵8 小时前
求不重叠区间总和最大值
算法