Я работаю над простым наивным байесовским текстовым классификатором, который использует Коричневый корпус для тестовых и обучающих данных. Пока что я получил точность 53% при использовании простого подхода без какой-либо предварительной обработки. Чтобы улучшить свой классификатор, я добавил некоторую предварительную обработку (стоп-слова, лемматизация, стемминг, позиционная маркировка), но моя производительность, похоже, ухудшается (11%). Что я делаю неправильно? Я только начал с Python, поэтому благодарен за любую помощь, которую могу получить.
import nltk, random
from nltk.corpus import brown, stopwords
from nltk.stem.porter import PorterStemmer
documents = [(list(brown.words(fileid)), category)
for category in brown.categories()
for fileid in brown.fileids(category)]
random.shuffle(documents)
stop = set(stopwords.words('english'))
without_stop = [w for w in brown.words() if w not in stop]
lowercase = [w.lower() for w in without_stop] # lowercase
porter = PorterStemmer()
stemmed = [porter.stem(w) for w in lowercase]
wnl = nltk.WordNetLemmatizer()
lemmatized = [wnl.lemmatize(w) for w in stemmed]
tagged = nltk.pos_tag(lemmatized)
all_words = nltk.FreqDist(tagged)
word_features = list(all_words.keys())[:2000]
def document_features(document):
document_words = set(document)
features = {}
for word in word_features:
features['contains({})'.format(word)] = (word in document_words)
return features
featuresets = [(document_features(d), c) for (d,c) in documents]
train_set, test_set = featuresets[100:], featuresets[:100]
classifier = nltk.NaiveBayesClassifier.train(train_set)
print(nltk.classify.accuracy(classifier, test_set))