Raúl Garreta大神教你5步搭建机器学习文本分类器：MonkeyLearn

摘要：Raúl Garreta，《Learning scikit-learn: Machine Learning in Python》一书作者，手把手教你5步搭建机器学习文本分类器：1.定义类别树;2.数据收集;3.数据标记;4.训练分类器;5.测试&提升分类器。

用机器学习构建一个好的文本分类器是一项很有挑战性的工作。你需要构造训练集、调参、校正模型及其他事情。本文将会描述如何使用MonkeyLearn训练一个文本分类器，具体分为如下5步：

1. 定义类别树

2. 数据收集

3. 数据标记

4. 训练分类器

5. 测试&提升分类器

1.定义类别树

在训练文本分类器之前，首先要确定你要把你的文本数据分成哪些类或者打上哪些标签。

选择类别

假如你要把来自不同网站的每日交易分类，那么你的类型就可能会包括：

1.娱乐

2.饮食

3.医药保健&美妆

4.零售

5.旅游&度假

6.其他

如果你对语义分析感兴趣，可能会有如下类别：

1.积极

2.消极‘’

3.中立

相反，要是你对分类电商网站的客服短讯感兴趣，你可能会设计如下分类：

1.配送问题

2.支付问题

3.产品问题

4.折扣、优惠码和礼品卡

在不清楚要要使用哪些类别时，为了找到适合你模型的类别，探索并理解你的数据很重要。

构造类别体系

这个过程核心部分就是为你的类别创建一个合适的结构。当你想更加准确并且使用子类时，你需要定义一个 层次树结构。在上面的例子中，你可以这样组织你的类别：

1.娱乐：

音乐会

电影

夜总会

2.饮食：

餐馆

酒吧

外卖

3.健康&美容：

头发&皮肤

水疗&按摩

化妆品

4.零售：

服装

电子产品：

电脑

智能手机

平板

电视机&录像机

5.旅游&度假：

酒店

机票

6.其他

关于类别树的小技巧

1.结构。根据类别的语义关系组织类别结构。例如，“篮球”和“棒球”都应该是“运动”的子类。形成一个结构良好的类别树对分类器做出准确预测有很大帮助。

2.避免重叠。使用互斥且完备的类，并且避免定义歧义的和重叠的类：一段文本的所属类别应该是明确的，毫无疑问的。类别之间的重叠将会引起混淆，并且影响分类器的正确性。

3.不要混合分类标准。每个模型使用单一的分类标准。假设你要根据公司的描述对公司进行分类，你的类别可能包括B2B、B2C、企事业单位、金融、新闻传媒、建筑等。这时你可以构建两个模型：a)一个根据公司的客户进行分类（B2C、B2B、企事业单位）；b)另一个根据公司经营的行业（金融、新闻传媒、建筑）。每个模型都应该有自己的标准。

4.由小及大。第一次训练模型时，建议从简单模型开始。复杂模型得付出更多精力才能达到足够好的预测效果。从少量类开始（少于10个类），类别树最多2层。

当简单模型能够取得预期效果时，尝试增加更多的类别并形成第三层类别树来提升模型效果。

2.数据收集

当你定义好类别树时，下一步就是获得用于训练样本的文本数据。建议考虑下面两种数据收集方式：

内部数据

内部数据，如文件，文档、电子表格、邮件、客服短讯、聊天记录等。你的数据库或者每天使用的工具中都会有这些数据。

客服支持类：Zendesk、Intercom、Desk

客户关系管理：Salesforce、Hubspot CRM、Pipedrive

通讯软件：Slack、Hipchat、Messenger、

净推荐值软件：Delighted、Promoter.io、Satismenter

数据库：Postgres、MySQL、MongoDB、Redis

数据分析平台：Segment、Mixpanel

你可以使用CSV文件或者对应的接口API导入这些数据。

外部数据

数据无处不在，你可以使用网页抓取工具、API、开放数据集自动从网络获取数据。

爬虫框架

如果你有编程功底，不妨自己写爬虫。下面是一些常用的工具：

Python:Scrapy、Pyspider、Cola、Beautiful Soup

Ruby：Upton、Wombat

Javascript：Node Crawler、Simplecrawler

PHP：Goutte

可视化网页抓取工具

如果没有编程功底，使用一些可视化工具会方便很多，比如：Portia、ParseHub、Import.io

API

除了爬虫，你也可以使用API连接一些网站和社交媒体网站，然后获得你需要的训练数据。下面是一些常用的API：AngelList、Ebay、Facebook、Foursquare、GitHub、Instagram、New York Times、The Guardian、Tumblr、Twitter、Wikipedia、Yelp

开放数据

可以从一些开放数据网站获取如Kaggle,Quandl和Data.gov.

其他工具

如果你没有任何编程经验，Zapier、IFTTT这些协作工具通过API授权，自动帮你将常用工具软件互联，将有助于你获取训练数据。

3.数据标记

拿到训练数据后，你要给这些数据打上对应的标签，才能形成完整的训练集。这可能需要你手动完成，但是对训练模型至关重要。通过打标签这种行为，你告诉机器学习算法对于一个特定的文本输入，你期望输出的类别是什么。 分类器的准确度取决于初始标签的正确性。

数据标记工具

1.创建和上传数据后，使用MobkeyLearn GUI（下一节会详细解释）

2.Excel、Libre Office、Google电子表格

3.Open Refine

4.你熟悉的任何工具和技术

有时你也可以在众包平台上外包你的数据标记工作，如Mechanical Turk，或者是外包给一些Upwork或者Freelancer上的自由职业者。

训练样本的数量

训练样本的数量取决于 问题的复杂度以及模型中类别的数量。例如，训练一个用于对tweets进行语义分析的模型和训练一个识别商品评论主题的模型就不一样。语义分析问题更难解决，所以需要更多的训练数据。训练数据越多越好。我们建议每个类从最少20个样本开始。根据分类器取得的效果，逐渐增加训练数据。对于话题检测问题，使用200到500个训练样本会得到准确的模型。语义分析通常至少需要3000条训练样本才能得到勉强能接受的结果。

质量VS.数量

从少量样本开始训练模型更好，不过要百分百确定这些样本能够代表每一个类别，并且最开始手动标记的标签正确，而不是说增加存在大量错误的数据。海量的训练样本对机器学习算法固然重要，但是大量错误标记的样本，不关注数据本身，只会事倍功半。就好像用一本存在大量错误的历史书去教一个小孩，虽然他非常用功，可学到的知识终究还是错误的，又有什么用呢。 因此训练开始阶段，使用标记正确的、高质量的训练数据。然后再通过增加更多高质量的数据提升分类器的准确度。

保存标记数据

为了在MonkeyLearn中能够使用这些训练样本，数据最好保存为2列的CSV或者Excel文件：1列表示输入的文本，1列表示期望输出的类别。最后，把这个CSV/Execl文件上传到MonkeyLearn，就可以开始训练模型了。有编程功底的话可以直接使用MonkeyLearn的API上传数据。

4.训练分类器

收集和标记完数据后，在MonkeyLearn上使用如下3步创建一个分类器：

1.使用MonkeyLearn创建一个分类器，创建过程中需要完成一些相关信息；

2.上传CSV、Execl数据文件；

3.训练分类器，根据类别树的复杂度以及数据量，可能需要几秒到几分钟不等的训练时间。

5.测试和提升分类器

训练好模型后，可以用一系列统计学上的指标来衡量分类器对新数据的预测能力。这些指标对理解模型、提升模型效果至关重要。这里有个例子可以看下。

正确率

正确率（Accuracy ）是类别被正确预测的样本的比例，是对分类器整体上的评价。这个指标用来衡量父类对子类的区分度。在前面的例子中，当根类有6个子类（娱乐、饮食、健康、零售、旅游&度假、其他）时，“根类”准确率为80%。

提升准确率的技巧：

1.增加更多子类的训练数据；

2.对可能标记错误的样本重新标记（如下面混淆矩阵小节所示）；

3.有时一些兄弟类存在歧义，尽可能合并这些类；

正确率本身不是一个好指标，你还需要关注其他指标，如准确率和召回率。有时分类器的正确率很高，但是有些类的准确率（Precision）和召回率（Recall）很糟糕。

准确率和召回率

准确率和召回率用来检测某个类别上的正确率，下图是饮食类的准确率和召回率：

如果一个子类的准确率很低，这意味着来自其他兄弟类的样本被预测为这个子类，即假正。如果一个子类的召回率很低，这意味着来自这个类的样本被预测为其他兄弟类，也就是假负。通常在特定的类中，准确率和召回率存在权衡。也就是说增加准确率会导致降低召回率，反之亦然。

提升准确率和召回率：

1.使用混肴矩阵，查看模型的假正和假负；

2.如果一个样本初始被标记为类X，但却正确地预测为类Y（真正类别就是Y），将这个样本移到类Y下；

3.如果这个样本被错误预测为类Y，尝试 让分类器更关注这种分类错误错误，增加更多X类和Y类的样本；

4.检查类X和类Y的关键词是否正确（见关键字云小节）。

混淆矩阵

混淆矩阵展示了实际类别和预测类别之间的不同。在前面的例子中，有4个标记为旅游&度假类的样本被错误预测为娱乐类（下图左下角红色的4）。如果混淆矩阵仅对角线非零，就代表你得到了最完美的结果。

关键词云

你可以看见类别树中每个类相关的关键词，比如饮食类的关键词：

提升关键字的注意事项：

1. 检查用来代表每个类别样本的关键字是否有意义；

2. 找到那些字典里没有的或与类无关的关键字；

3. 你会看见一个详细的关键词列表，点击关键词云下面的Keyword List 链接查看他们之间的关系；

4. 点击某个关键词过滤与之匹配的样本；

5. 在停止词列表添加特定字符串，过滤掉不需要的关键词；

6. 如果你的关键词列表中缺少某个表示类别的关键词，尝试增加更多那个类别的数据；

7. 使用朴素贝叶斯分类器时，你可以看看那些对预测有正面或负面影响的特征，对调试每个类相关的特征很有用。

参数

调参可以极大地提升分类器效果，注意事项如下：

1. 如果你想避免分类器使用某些关键词，将他们加到停止词列表里；

2. 开发分类器时使用多项式朴素贝叶斯，它会使你对预测和调试理解更透彻。如果要得到更加准确的分类器，使用支持向量机；

3. 对特例使用词干提取；

4. 尝试增加最大特征参数，最大达到20000；

5. 如果在做语义分析，不要过滤默认停止词；

6. 处理社交媒体文本比如tweets或Facebook评论时，先进行预处理。

结束语

机器学习是一项很强大的技术，为了获得准确的模型，就需要一直迭代，直到达到期望的结果：

1. 提炼类别树

2.收集数据

3.给数据打标签

4. 上传数据，训练模型

5.测试和提升：

指标（正确率，准确率和召回率）

假正和假负

混淆矩阵

关键词云和关键词列表

参数

有两种方式可以完成上述过程：

1.手动给数据加标签；

2.自助法，使用当前训练的模型去分类未标记样本，然后验证预测是否正确。通常，验证过程比从头开始手工标记更简单，更快。

除了增加数据，你也可以通过一下方式提升模型效果：

1.修正模型中的混淆之处；

2.提升类别的关键词；

3.寻找最佳参数

最后要强调的是， 训练数据在整个过程中至关重要。使用糟糕的训练样本训练模型，最终会导致大量错误；如果使用高质量的数据集，你的模型会变的准确，能使文本分析的过程自动化。

作者简介：

Raúl Garreta，MonkeyLearn共同创办人兼CEO，机器学习和自然语言处理专家，《Learning scikit-learn: Machine Learning in Python》一书作者。

本文由阿里云云栖社区组织翻译。

文章原标题《How to create text classifiers with Machine Learning》

作者：Raúl Garreta译者：东东邪