用文本分析算法探索20个新闻组数据集

客官°小女子只卖身不卖艺 2022-11-11 13:23 234阅读 0赞

## 什么是NLP ##

20个新闻组数据集，顾名思义，由从新闻文章抽取的文本组成。它是由Ken Lang采集的，广泛用于机器学习技术驱动的文本类应用的实验，尤其是用自然语言处理技术开发文本类应用。

**自然语言处理**（Natural Language Processing，NLP）是机器学习的一个重要领域，它研究机器（计算机）和人类（自然）语言之间的交互。自然语言不局限于演讲和对话，它们也可以是书面语或符号语言。NLP任务所用的数据形式多样，有社交媒体、网页、医学处方的文本、音频邮件、控制系统的命令，甚至是我们最喜欢的音乐或电影的音频。如今，NLP广泛应用于日常生活：我们的生活离不开机器翻译；天气预报的脚本是自动生成的；我们发现语音搜索很方便；有了智能问答系统，我们可以快速获得问题的答案（比如，加拿大的人口是多少？）；语音转文本技术可帮助有特殊需求的学生。

机器若能像人一样，理解语言，我们就可认为它具有智能。1950年，著名的数学家（艾伦•图灵）在题为“Computing Machinery and Intelligence”一文中，提出了一项可以评判机器是否具有智能的测试标准，该标准后被称为**图灵测试**（Turing test）。它的目标是检验计算机是否能充分理解语言，以至于让人类误以为计算机是一个人。至今，还没有计算机能够通过图灵测试，这一点似乎不足为奇。20世纪50年代，自然语言处理的历史开启了。

理解一门语言也许很困难，但自动将文本从一种语言译为另一种语言是否比较简单一些？我还记得人生的第一堂编程课，实验手册上印有很初级的机器翻译算法。我们能够想象，这种水平的翻译算法，无非是查词典，生成译文。更加可行的方法则是，收集人们已翻译的文本，用它们训练计算机程序。1954年，科学家在Georgetown-IBM实验（乔治城大学和IBM合作的一个项目）中宣称机器翻译将在3～5年内解决。

不幸的是，能够击败翻译员的机器翻译系统至今还没有。但自从引入深度学习方法之后，机器翻译的质量有了大幅提升。

**聊天机器人**（conversational agent或chatbot）是NLP领域的另一热门话题。计算机能够与人对话这一事实改变了商业的运作方式。2016年，微软公司的人工智能聊天机器人Tay发布，它模仿一个少女，可在Twitter上与用户实时对话。她从用户发表的推文和评论中，学习如何聊天。然而，一波波推文袭来，她招架不住，自动学习了他们的恶言恶语，开始输出不合适的推文到她的主页。她在24小时之内就被关停。

还有一些NLP任务尝试组织知识和概念，从而降低计算机程序操作它们的难度。我们组织和表示概念的方式称为**本体论**（ontology）。本体定义的是概念与概念间的关系。例如，我们可以用所谓的本体三元组表示两个概念之间的关系，比如Python是一门编程语言。

在NLP的重要应用场景中，比以上使用场景更偏底层的是词性标注。**词性**（Part Of Speech，POS）是语法意义上单词的类别，比如名词或动词。词性标注尝试确定句子或更长的文档中每个单词的词性。举几个英语单词词性的例子，如表2-1所示。

表2-1　英语单词词性示例

<table> 
 <thead> 
 <tr> 
 <th> 词性 </th> 
 <th> 示例 </th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td> 名词（noun） </td> 
 <td> david、machine </td> 
 </tr> 
 <tr> 
 <td> 代词（pronoun） </td> 
 <td> them、her </td> 
 </tr> 
 <tr> 
 <td> 形容词（adjective） </td> 
 <td> awesome、amazing </td> 
 </tr> 
 <tr> 
 <td> 动词（verb） </td> 
 <td> read、write </td> 
 </tr> 
 <tr> 
 <td> 副词（adverb） </td> 
 <td> very、quite </td> 
 </tr> 
 <tr> 
 <td> 介词（preposition） </td> 
 <td> out、at </td> 
 </tr> 
 <tr> 
 <td> 连词（conjunction） </td> 
 <td> and、but </td> 
 </tr> 
 <tr> 
 <td> 感叹词（interjection） </td> 
 <td> oh<a href="http://write.epubit.com:9000/article/77315#anchor22" rel="nofollow">[2]</a> </td> 
 </tr> 
 <tr> 
 <td> 冠词（article） </td> 
 <td> a、the </td> 
 </tr> 
 </tbody> 
</table>

## 2.2　强大的Python NLP库之旅 ##

介绍了NLP的几种实际应用之后，接下来这一部分将带你一览Python NLP技术栈。这些Python包可处理包括前面提到的几种NLP应用在内的多种NLP任务，比如情感分析、文本分类、命名实体识别等。

用Python编写的、最著名的NLP库有**自然语言处理工具集**（Natural Language Toolkit，NLTK）、Gensim和TextBlob。sicikit-learn库也提供了NLP的相关功能。NLTK最初是为教育而开发的，如今在业界也被广泛应用。有这样一种说法，不提NLTK，无以言NLP。它是用Python开发NLP应用最著名、也是最为领先的平台之一。我们在终端运行`sudo pip install –U nltk`命令，即可安装它。

NLTK配备了50多种大型、结构良好的文本数据集，用NLP的术语来讲，它们称为语料库（corpora[\[3\]][3]）。语料库可用作检验单词是否出现的词典，也可用作模型学习和训练的数据集。NLTK中一些实用且有趣的语料库介绍如下：Web文本语料库（Web Text Corpus）、Twitter推文数据（Twitter Sample）、莎士比亚作品数据（Shakespeare XML Corpus Sample）、情感极性（Sentiment Polarity）、姓名语料库（Names Corpus，它包含常用名字，稍后我们会使用）、Wordnet和路透社基准语料库（Reuters-21578 benchmark corpus）。NLTK的所有语料库列表请见官网。不论要用哪个语料库的资源，使用之前，我们都得在Python解释器中运行如下脚本来下载语料库：

>>> import nltk
    >>> nltk.download()

运行上述命令，将弹出一个新窗口，询问我们要下载哪个包或语料库，如图2-1所示。

我强烈建议你安装整个包，它囊括了本书及以后做研究要用到的所有重要的数据集，大家一般都这么干。安装好之后，我们立马来探索一番它的姓名语料库Names。

首先，导入该语料库：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2VwdWJpdDE3_size_16_color_FFFFFF_t_70][]

用以下代码输出列表的前10个名字：

>>> print names.words()[:10]
    [u'Abagael', u'Abagail', u'Abbe', u'Abbey', u'Abbi', u'Abbie',
    u'Abby', u'Abigael', u'Abigail', u'Abigale']

共有7944个名字：

>>> print len(names.words())
    7944

其他语料库也很有趣，同样值得探索。

NLTK除了提供这些易于使用且数据丰富的语料库外，更重要的是它为攻克以下多种NLP和文本分析任务提供了莫大帮助。

*  **分词**（tokenization）：分词是指将给定文本序列切分为用空格隔开的字符片段，通常还会捎带删除标点、数字和表情符号。分词得到的这些字符片段称为**词串**（token），留待进一步处理。一个单词组成的词串，在计算语言学中称为**一元组**（unigram）；原文中紧邻的两个单词组成的，称为**二元组**（bigram）；3个连续的单词组成的，称为**三元组**（trigram）；![n][]个连续的单词组成的，称为![\\boldsymbol\{n\}][boldsymbol_n]**元组**（n-gram）。分词示例如图2-2所示。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2VwdWJpdDE3_size_16_color_FFFFFF_t_70 1][]

*  **词性标注**（POS tagging）：我们可利用现成的标注器标注词性，也可以综合利用NLTK的多个标注器来自定义标注过程。直接使用内置的标注函数`pos_tag`很简单，比如我们可以这样用：`pos_tag(input_tokens)`。但是该函数调用的背后，实际上是用预先建好的有监督学习模型做预测。该模型是用大型语料库训练的，语料库中的单词事先已正确标注了词性。
 *  **命名实体识别**（named entities recognition）：给定文本序列，命名实体识别的任务是定位和识别起定义作用的单词或短语，比如人名、公司名和位置。下一章还会详细介绍该内容。
 *  **词干抽取**（stemming）和**词形还原**（lemmatization）：词干抽取是指将屈折变化后或派生得到的单词转换回原形的过程。比如，machine是machines的词干，learning和learned来自learn。词形还原比起词干抽取更加小心谨慎，还原词形时，需要考虑单词的词性。稍后我们会更加详细地讨论这两种文本预处理技术。现在，我们先来快速了解下它们在NLTK中是如何实现的。

首先，导入3个内置的词干抽取算法中的PorterStemmer（另外两个是LancasterStemmer和SnowballStemmer），并初始化一个词干抽取器：

>>> from nltk.stem.porter import PorterStemmer
    >>> porter_stemmer = PorterStemmer()

抽取machine和learning的词干：

>>> porter_stemmer.stem('machines')
    u'machin'
    >>> porter_stemmer.stem('learning')
    u'learn'

请注意抽取词干时，如有必要的话，抽取器还会将某些字母切去，比如上面的machin就切去了字母e。

现在，导入基于内置的Wordnet语料库实现的词形还原算法，并初始化一个词形还原器：

>>> from nltk.stem import WordNetLemmatizer
    >>> lemmatizer = WordNetLemmatizer()

类似地，我们也可以还原machines和learning：

>>> lemmatizer.lemmatize('machines')
    u'machine'
    >>> lemmatizer.lemmatize('learning')
    'learning'

为什么经过还原操作之后，learning的词形并未发生变化？原因是该算法默认只还原名词的词形。

Radim Rehurek开发的Gensim库最近几年颇受欢迎。在2008年最初设计时，它的功能是生成给定文章的相似文章列表，它的名字也就是这么来的（Gensim是generate similar的缩写）。后来，Radim Rehurek又大幅改进了它的效率和可扩展性。该库同样可以在终端安装，非常简单，只要运行`pip install --upgrade gensim`即可。它依赖NumPy和SciPy库，在安装它之前，请确保这两个库已安装。

Gensim以它强大的语义和话题建模算法而出名。话题建模是一种典型的文本挖掘任务，旨在发现文档中的隐语义结构。语义结构说白了就是词语在文档中的分布，显然它是一种无监督学习任务。我们需要输入普通文本，让模型从中找出抽象的话题。

除了强大的语义建模方法外，Gensim还具有以下功能。

*  **相似度查询**：检索与给定查询对象相似的对象。
 *  **词向量化**：一种表征词的新方法，可保留词语之间的共现特征。
 *  **分布式计算**：可高效地从百万级文本学习。

TextBlob是在NLTK基础上开发的一个相对较新的库。它不仅提供简单易用的内置函数和方法，还封装了常用任务，简化了NLP和文本分析任务。在终端运行`pip install –U textblob`命令，即可安装TextBlob。

此外，TextBlob还具有目前NLTK所没有的功能，比如拼写检查和纠正以及语言检测和翻译。

虽然最后才讲scikit-learn，但是它也很重要，正如在第一章所讲的，scikit-learn是全书都要用到的主要库。幸运的是，它提供了我们所需的全部文本处理功能（比如分词）和多种机器学习功能。此外，它还内置了20个新闻组数据集的加载器。

我们了解了用什么工具，并正确安装它们之后，那数据又是什么情况呢？

## 2.3　新闻组数据集 ##

本书的第一个项目，我们使用了scikit-learn的20个新闻组数据集。该数据集包括了20个在线新闻组的大约20 000篇文章。新闻组是网上就特定话题展开问答的场所。该数据集已按特定日期，切分成训练集和测试集。

数据集中所有文档为英文。从新闻组的名称即可推断出它们讨论的话题。

其中，一些新闻组紧密相关，甚至重合，比如这5个计算机新闻组（comp.graphics、comp.os.ms-windows.misc、comp.sys.ibm.pc.hardware、comp.sys.mac.hardware和comp.windows.x），而某些新闻组又非常不相关，比如棒球新闻组（rec.sport.baseball）。数据集被做了标注，每篇文档由文本数据和一组标签组成，非常适合有监督学习任务，比如文本分类。我们将在第4章详细介绍有监督学习。现在，我们还是重点介绍无监督学习，从获取数据讲起。

## 2.4　获取数据 ##

从原网站或其他在线仓库手动下载数据集是可以的，只不过该数据集有很多版本，有些做过一定程度的清洗，有些则还是原始数据格式。为了避免混淆，我们最好使用一致的方法来获取该数据集。scikit-learn库提供了一个功能函数，可用该函数来加载该数据集。

下载数据集后，scikit-learn自动将其加载到缓存中，我们无须再次下载。大多数情况下，缓存数据集可视为一种最佳实践，尤其是数据集相对较小的情况。其他Python库也提供下载函数，但并不是都实现了自动缓存功能。这是我们喜欢scikit-learn的另一个原因。

加载该数据集前，先导入该数据集的加载器：

>>> from sklearn.datasets import fetch_20newsgroups

然后，我们用加载器下载数据集，使用默认参数即可。

>>> groups = fetch_20newsgroups()

我们也可以指定一个或多个话题或数据集的某个部分（训练集、测试集或两者都要），也可以只加载数据集的一个子集。加载器函数的所有参数和参数值如表2-2所示。

表2-2　加载器参数介绍

<table> 
 <thead> 
 <tr> 
 <th> 参数 </th> 
 <th> 默认参数值 </th> 
 <th> 参数值示例 </th> 
 <th> 描述 </th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td> <code>subset</code> </td> 
 <td> <code>train</code> </td> 
 <td> <code>train、test、all</code> </td> 
 <td> 加载训练集、测试集还是加载全部数据集 </td> 
 </tr> 
 <tr> 
 <td> <code>data_home</code> </td> 
 <td> <code>~/scikit_learn_data</code> </td> 
 <td> <code>~/myfiles</code> </td> 
 <td> 数据集存储目录 </td> 
 </tr> 
 <tr> 
 <td> <code>categories</code> </td> 
 <td> <code>None</code> </td> 
 <td> <code>alt.atheism</code>、<code>sci.space</code> </td> 
 <td> 要加载的新闻组名称列表。默认加载所有新闻组 </td> 
 </tr> 
 <tr> 
 <td> <code>shuffle</code> </td> 
 <td> <code>True</code> </td> 
 <td> <code>True</code>、<code>False</code> </td> 
 <td> 布尔值，表明是否要打乱数据的顺序 </td> 
 </tr> 
 <tr> 
 <td> <code>random_state</code> </td> 
 <td> <code>42</code> </td> 
 <td> <code>7</code>、<code>43</code> </td> 
 <td> 打乱数据所依据的整型随机种子 </td> 
 </tr> 
 <tr> 
 <td> <code>remove</code> </td> 
 <td> <code>()</code> </td> 
 <td> <code>header</code>、<code>footers</code>、&nbsp;<code>quotes</code> </td> 
 <td> 元组，表明省略文章的哪一部分（头、尾和引用）。默认不省略任何部分 </td> 
 </tr> 
 <tr> 
 <td> <code>download_if_ missing</code> </td> 
 <td> <code>True</code> </td> 
 <td> <code>True</code>、<code>False</code> </td> 
 <td> 布尔值，表明如果在本地未找到数据，是否下载 </td> 
 </tr> 
 </tbody> 
</table>

## 2.5　思考特征 ##

不论用哪一种方式下载，下载了20个新闻组数据集之后，我们就可在程序中用数据对象`groups`调用数据集了。该数据对象是键值对形式的字典结构，它的键如下所示。

>>> groups.keys()
    dict_keys(['description', 'target_names', 'target', 'filenames',
     'DESCR', 'data'])

键`target_names`给出了20个新闻组的名称：

>>> groups['target_names']
    ['alt.atheism', 'comp.graphics', 'comp.os.ms-windows.misc',
    'comp.sys.ibm.pc.hardware', 'comp.sys.mac.hardware', 'comp.windows.x',
    'misc.forsale', 'rec.autos', 'rec.motorcycles', 'rec.sport.baseball',
    'rec.sport.hockey', 'sci.crypt', 'sci.electronics', 'sci.med', 'sci.space',
    'soc.religion.christian', 'talk.politics.guns', 'talk.politics.mideast',
    'talk.politics.misc', 'talk.religion.misc']

键`target`为20个新闻组所有文档的话题编号（属于哪个新闻组）列表，话题编号是用整数表示的：

>>> groups.target
    array([7, 4, 4, ..., 3, 1, 8])

上述输出结果中共有多少个不同的整数？我们可用NumPy的`unique`函数找出来：

>>> import numpy as np
    >>> np.unique(groups.target)
    array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
     17, 18, 19])

从0到19，共有20个数，代表20个话题。我们看下第一篇文档的话题编号和对应的新闻组名称：

从以上输出可见，第一篇文档来自rec.autos新闻组，该新闻组的编号为7。阅读该文章，不难看出它是关于汽车的。单词car实际上在文章中出现了好几次。bumper（保险杠）等单词看上去也和汽车相关。然而，doors（门）等单词也许不一定跟汽车有关，它们也可能出现在家居装修或其他话题中。捎带一提，不区分doors、door或同一单词的大小写形式（比如Doors）是有道理的。需要区分大小写的情况很少见，比如我们要找出一篇文档是介绍乐队The Doors，还是介绍门（用木头做的）这一更普通的概念时，则需区分大小写。

我们可以大胆下结论，如想知道一篇文档是否出自rec.autos新闻组，car、doors和bumper这类词的出现与否，是很有帮助的特征。出现或不出现，可用一个布尔型变量来表示，我们也可以考察特定单词的出现次数。例如，car在文档中出现了多次。也许这样的词在文档中出现次数越多，文档与汽车相关的可能性就越大。文档长度不同，特定单词出现次数也存在差异。显然，长文本通常词汇量更大，因而我们还得抵消词汇量大的影响。例如，头两篇文档长度不同：

>>> len(groups.data[0])
    721
    >>> len(groups.data[1])
    858

那么，我们是否应该考虑文档的长度？以我之见，本书页数即使发生变化（在合理范围内），本书也还是与Python和机器学习相关的；因而，文章的长度可能不是一个很显著的特征。

单词序列呢？比如front bumper（前保险杠）、sports car（赛车）和engine specs（发动机类型）这些短语似乎强烈表明文档是以汽车为主题的。然而，car出现的频率比sports car更频繁。并且，二元组的数量比去重后得到的一元组数量多得多。比如，this car和looking car二元组，对新闻组分类而言，二者所拥有的信息量基本相同。显然，一些词的信息量很小。在所有类别的文档中都频繁出现的单词，比如a、the和are称为**停用词**（stop word），我们应该忽略它们。我们只对特定单词是否出现及其出现次数或其他度量值感兴趣，而不关心单词的出现次序。因而，我们可将文本看作装有若干单词的袋子，这种模型称为**词袋模型**（bag of words model）。虽然这是一种很基础的模型，但在实际应用中效果不错。我们也可定义更复杂的模型，将单词的次序和词性考虑在内。然而，这类复杂模型计算开销更大，代码实现的难度也很大。基本的词袋模型能满足大多数需求。你不信？我们可尝试绘制一元组的分布图，来看看词袋模型是否好用。

## 2.6　可视化 ##

可视化技术可以展示数据，让用户大致了解数据的结构、发现潜在问题并断明数据是否含有需特殊处理的不规则结构。可视化技术大有裨益。

在多话题或类别分类任务中，明确话题的分布很重要。与类别分布均匀，则最容易处理，因为不存在欠代表或过代表的类别。然而，数据集的分布往往是有倾向的，一个或多个类别会占主导地位。我们用seaborn包计算类别的直方图，并用matplotlib包绘图。两个包都可用`pip`安装。我们通过以下代码绘制各类别的分布图：

>>> import seaborn as sns
 >>> sns.distplot(groups.target)
 <matplotlib.axes._subplots.AxesSubplot object at 0x108ada6a0>
 >>> import matplotlib.pyplot as plt
 >>> plt.show()

上述代码的输出结果如图2-3所示。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2VwdWJpdDE3_size_16_color_FFFFFF_t_70 2][]

如图2-3所示，各类别（近似）服从均匀分布，我们又少了件担心的事。

20个新闻组数据集的文本数据维度很高。每个特征都得用一维来表示。我们若是用单词计数作为特征，那么感兴趣的特征有多少，维度就有多少。若用一元组计数，那么我们使用CountVectorizer类，它的参数说明请见表2-3。

表2-3　CountVectorizer参数说明

<table> 
 <thead> 
 <tr> 
 <th> 构造器参数 </th> 
 <th> 默认参数值 </th> 
 <th> 参数值示例 </th> 
 <th> 描述 </th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td> <code>ngram_range</code> </td> 
 <td> <code>(1,1)</code> </td> 
 <td> <code>(1, 2)、(2, 2)</code> </td> 
 <td> 从输入的文本中抽取<img alt="n" src="http://private.codecogs.com/gif.latex?n">元组的下限和上限 </td> 
 </tr> 
 <tr> 
 <td> <code>stop_words</code> </td> 
 <td> <code>None</code> </td> 
 <td> <code>English</code>、<code>[a, the, of]</code>、<code>None</code> </td> 
 <td> 使用哪个停用词表。若为None，则不过滤停用词 </td> 
 </tr> 
 <tr> 
 <td> <code>lowercase</code> </td> 
 <td> <code>True</code> </td> 
 <td> <code>True</code>、<code>False</code> </td> 
 <td> 抽取特征时，是否将字母转换为小写 </td> 
 </tr> 
 <tr> 
 <td> <code>max_features</code> </td> 
 <td> <code>None</code> </td> 
 <td> <code>None</code>、<code>500</code> </td> 
 <td> 若不用None，仅抽取有限数量的特征 </td> 
 </tr> 
 <tr> 
 <td> <code>binary</code> </td> 
 <td> <code>False</code> </td> 
 <td> <code>True</code>、<code>False</code> </td> 
 <td> 若设为True，所有非零的单词计数都算作1次 </td> 
 </tr> 
 </tbody> 
</table>

我们用下面代码绘制500个高频词的单词计数直方图：

>>> from sklearn.feature_extraction.text import CountVectorizer
    >>> import numpy as np
    >>> import matplotlib.pyplot as plt
    >>> import seaborn as sns
    >>> from sklearn.datasets import fetch_20newsgroups
    　
    >>> cv = CountVectorizer(stop_words="english", max_features=500)
    >>> groups = fetch_20newsgroups()
    >>> transformed = cv.fit_transform(groups.data)
    >>> print(cv.get_feature_names())
    　
    >>> sns.distplot(np.log(transformed.toarray().sum(axis=0)))
    >>> plt.xlabel('Log Count')
    >>> plt.ylabel('Frequency')
    >>> plt.title('Distribution Plot of 500 Word Counts')
    >>> plt.show()

输出结果如图2-4所示。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2VwdWJpdDE3_size_16_color_FFFFFF_t_70 3][]

500个高频词列表如下：

['00', '000', '0d', '0t', '10', '100', '11', '12', '13', '14', '145',
    '15', '16', '17', '18', '19', '1993', '1d9', '20', '21', '22', '23', '24',
    '25', '26', '27', '28', '29', '30', '31', '32', '33', '34', '34u', '35',
    '40', '45', '50', '55', '80', '92', '93', '__', '___', 'a86', 'able', 'ac',
    'access', 'actually', 'address', 'ago', 'agree', 'al', 'american',
    'andrew', 'answer', 'anybody', 'apple', 'application', 'apr', 'april',
    'area', 'argument', 'armenian', 'armenians', 'article', 'ask', 'asked',
    'att', 'au', 'available', 'away', 'ax', 'b8f', 'bad', 'based', 'believe',
    'berkeley', 'best', 'better', 'bible', 'big', 'bike', 'bit', 'black',
    'board', 'body', 'book', 'box', 'buy', 'ca', 'california', 'called',
    'came', 'canada', 'car', 'card', 'care', 'case', 'cause', 'cc', 'center',
    'certain', 'certainly', 'change', 'check', 'children', 'chip', 'christ',
    'christian', 'christians', 'church', 'city', 'claim', 'clinton', 'clipper',
    'cmu', 'code', 'college', 'color', 'colorado', 'columbia', 'com', 'come',
    'comes', 'company', 'computer', 'consider', 'contact', 'control', 'copy',
    'correct', 'cost', 'country', 'couple', 'course', 'cs', 'current', 'cwru',
    'data', 'dave', 'david', 'day', 'days', 'db', 'deal', 'death',
    'department', 'dept', 'did', 'didn', 'difference', 'different', 'disk',
    'display', 'distribution', 'division', 'dod', 'does', 'doesn', 'doing',
    'don', 'dos', 'drive', 'driver', 'drivers', 'earth', 'edu', 'email',
    'encryption', 'end', 'engineering', 'especially', 'evidence', 'exactly',
    'example', 'experience', 'fact', 'faith', 'faq', 'far', 'fast', 'fax',
    'feel', 'file', 'files', 'following', 'free', 'ftp', 'g9v', 'game',
    'games', 'general', 'getting', 'given', 'gmt', 'god', 'going', 'good',
    'got', 'gov', 'government', 'graphics', 'great', 'group', 'groups',
    'guess', 'gun', 'guns', 'hand', 'hard', 'hardware', 'having', 'health',
    'heard', 'hell', 'help', 'hi', 'high', 'history', 'hockey', 'home', 'hope',
    'host', 'house', 'hp', 'human', 'ibm', 'idea', 'image', 'important',
    'include', 'including', 'info', 'information', 'instead', 'institute',
    'interested', 'internet', 'isn', 'israel', 'israeli', 'issue', 'james',
    'jesus', 'jewish', 'jews', 'jim', 'john', 'just', 'keith', 'key', 'keys',
    'keywords', 'kind', 'know', 'known', 'large', 'later', 'law', 'left',
    'let', 'level', 'life', 'like', 'likely', 'line', 'lines', 'list',
    'little', 'live', 'll', 'local', 'long', 'look', 'looking', 'lot', 'love',
    'low', 'ma', 'mac', 'machine', 'mail', 'major', 'make', 'makes', 'making',
    'man', 'mark', 'matter', 'max', 'maybe', 'mean', 'means', 'memory', 'men',
    'message', 'michael', 'mike', 'mind', 'mit', 'money', 'mr', 'ms', 'na',
    'nasa', 'national', 'need', 'net', 'netcom', 'network', 'new', 'news',
    'newsreader', 'nice', 'nntp', 'non', 'note', 'number', 'numbers', 'office',
    'oh', 'ohio', 'old', 'open', 'opinions', 'order', 'org', 'organization',
    'original', 'output', 'package', 'paul', 'pay', 'pc', 'people', 'period',
    'person', 'phone', 'pitt', 'pl', 'place', 'play', 'players', 'point',
    'points', 'police', 'possible', 'post', 'posting', 'power', 'president',
    'press', 'pretty', 'price', 'private', 'probably', 'problem', 'problems',
    'program', 'programs', 'provide', 'pub', 'public', 'question', 'questions',
    'quite', 'read', 'reading', 'real', 'really', 'reason', 'religion',
    'remember', 'reply', 'research', 'right', 'rights', 'robert', 'run',
    'running', 'said', 'sale', 'san', 'saw', 'say', 'saying', 'says', 'school',
    'science', 'screen', 'scsi', 'season', 'second', 'security', 'seen',
    'send', 'sense', 'server', 'service', 'services', 'set', 'similar',
    'simple', 'simply', 'single', 'size', 'small', 'software', 'sorry', 'sort',
    'sound', 'source', 'space', 'speed', 'st', 'standard', 'start', 'started',
    'state', 'states', 'steve', 'stop', 'stuff', 'subject', 'summary', 'sun',
    'support', 'sure', 'systems', 'talk', 'talking', 'team', 'technology',
    'tell', 'test', 'text', 'thanks', 'thing', 'things', 'think', 'thought',
    'time', 'times', 'today', 'told', 'took', 'toronto', 'tried', 'true',
    'truth', 'try', 'trying', 'turkish', 'type', 'uiuc', 'uk', 'understand',
    'university', 'unix', 'unless', 'usa', 'use', 'used', 'user', 'using',
    'usually', 'uucp', 've', 'version', 'video', 'view', 'virginia', 'vs',
    'want', 'wanted', 'war', 'washington', 'way', 'went', 'white', 'win',
    'window', 'windows', 'won', 'word', 'words', 'work', 'working', 'works',
    'world', 'wouldn', 'write', 'writes', 'wrong', 'wrote', 'year', 'years',
    'yes', 'york']

我们第一次的尝试得到了上面所列的500个高频词词表，我们的目标是找出最具指示意义的特征。但上述列表不够完美。我们能改善它吗？是的，用下节所讲的数据预处理技巧就能改善它。

**本文截选自《Python机器学习实战》**

![Python机器学习实战][Python]

1.在讲解算法的原理和用 scikit-learn 库封装好的方法实现算法之前，先通过几个例子，教会你具体的计算方法，让你手动实现算法；  
2.书中代码比较连贯，可直接粘贴到Jupyter Notebook中运行，这一点对初学者非常有帮助；  
3.书中示例浅显易懂，涵盖多种应用场景：新闻话题分类、垃圾邮件过滤、在线广告点击率预测和股票价格预测等，讲解方式生动有趣；  
4.提供源代码。  
  
本书开篇介绍Python语言和机器学习开发环境的搭建方法。后续章节介绍相关的重要概念，比如数据分析、数据预处理、特征抽取、数据可视化、聚类、分类、回归和模型性能度量等。本书包含多个项目案例，涉及几种重要且有趣的机器学习算法，引导读者从头实现自己的模型。学完本书，你将了解机器学习生态系统的全貌，并掌握机器学习技术的实践和应用。  
在本书的帮助下，你将学会用强大却很简单的Python语言来处理数据科学难题，并构建自己的解决方案。  
  
本书包括以下内容：  
·利用Python语言抽取数据、处理数据和探索数据；  
·用Python对多维数据进行可视化，并抽取有用特征；  
·深入钻研数据分析技术，正确预测发展趋势；  
·用Python从头实现机器学习分类算法和回归算法；  
·用雅虎财经数据来分析和预测股价；  
·评估并优化机器学习模型的性能；  
·用机器学习和Python解决实际问题。

[3]: http://write.epubit.com:9000/article/77315#anchor23
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2VwdWJpdDE3_size_16_color_FFFFFF_t_70]: /images/20221022/a1f06e1ca09c483fbd17ed64cd7e6425.png
[n]: http://private.codecogs.com/gif.latex?n
[boldsymbol_n]: http://private.codecogs.com/gif.latex?%5Cboldsymbol%7Bn%7D
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2VwdWJpdDE3_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20210320200415374.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2VwdWJpdDE3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2VwdWJpdDE3_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20210320200709291.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2VwdWJpdDE3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2VwdWJpdDE3_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20210320200735856.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2VwdWJpdDE3,size_16,color_FFFFFF,t_70
[Python]: https://img-blog.csdnimg.cn/img_convert/ca4aa0adab59ee02701fef96a43ea23c.png