之后我们就可以简单的考验不合分类器和不合的特点选择的结不雅

import sklearn  
.....  
print 'NuSVC`s accuracy is %f' %score(NuSVC()) 

1. 我选择了六个分类算法，可以先看到它们在应用所有词作特点时的效不雅：

数据是人工已经标注好的文本，有一部分积极的文本，一部分是消极的文本。

BernoulliNB`s accuracy is 0.790000  
MultinomiaNB`s accuracy is 0.810000  
LogisticRegression`s accuracy is 0.710000  
SVC`s accuracy is 0.650000  
LinearSVC`s accuracy is 0.680000  
NuSVC`s accuracy is 0.740000 

2. 再看应用双词搭配作特点时的效不雅(代码修改如下处所即可)

结不雅如下：

BernoulliNB`s accuracy is 0.710000 MultinomiaNB`s accuracy is 0.750000 LogisticRegression`s accuracy is 0.790000 SVC`s accuracy is 0.750000 LinearSVC`s accuracy is 0.770000 NuSVC`s accuracy is 0.780000 

3. 再看应用所有词加上双词搭配作特点的效不雅

posFeatures = pos_features(bigram_words) negFeatures = neg_features(bigram_words)

结不雅如下：

BernoulliNB`s accuracy is 0.710000  
MultinomiaNB`s accuracy is 0.750000  
LogisticRegression`s accuracy is 0.790000  
SVC`s accuracy is 0.750000  
LinearSVC`s accuracy is 0.770000  
NuSVC`s accuracy is 0.780000 

可以看到在不选择信息量丰富的特点时，仅仅应用全部的词或双词搭配作为特点，分类器的效不雅并不睬想。

接下来将应用卡方统计量(Chi-square)来选择信息量丰富的特点，再用这些特点来练习分类器。

4. 枷⒚鹋息量丰富的词，并以此作为分类特点

word_scores = create_word_scores()  
best_words = find_best_words(word_scores, 1500) #选择信息量最丰富的1500个的特点  
posFeatures = pos_features(best_word_features)  
negFeatures = neg_features(best_word_features) 

结不雅如下：

BernoulliNB`s accuracy is 0.870000  
MultinomiaNB`s accuracy is 0.860000  
LogisticRegression`s accuracy is 0.730000  
SVC`s accuracy is 0.770000  
LinearSVC`s accuracy is	
			
 5/10   首页 上一页 3 4 5 6 7 8 下一页 尾页
	
			

　　推荐阅读
　　Linux下使用sudo进行赋权
进修怎么在保护 root 暗码的安然性的同时，为可托用户付与所治理的收集功能和特定办事的权限。我比来写了一个简短的 Bash 法度榜样来将 MP3 文件大年夜一台收集主机的 USB 盘中拷贝到另一台收集主机上去。拷贝出来的>>>详细阅读


本文标题：使用python+机器学习方法进行情感分析(详细步骤)
地址：http://www.17bianji.com/lsqh/40229.html
 1/2    1