scikit-learn - 混淆矩阵 - 测试情感分析模型

我正在使用 NLTK 测试情绪分析模型。我需要在分类器结果中添加一个混淆矩阵，如果可能的话，还需要添加 Precision、Recall 和 F-Measure 值。到目前为止，我只有准确性。 Movie_reviews 数据有 pos 和 neg 标签。然而，为了训练分类器，我使用了与通常的(句子、标签)结构不同的“特征集”。在通过“特征集”训练分类器后，我不确定是否可以使用 sklearn 中的混淆矩阵

import nltk
import random
from nltk.corpus import movie_reviews

documents = [(list(movie_reviews.words(fileid)), category)
             for category in movie_reviews.categories()
             for fileid in movie_reviews.fileids(category)]

random.shuffle(documents)

all_words = []

for w in movie_reviews.words():
    all_words.append(w.lower())

all_words = nltk.FreqDist(all_words)

word_features = list(all_words.keys())[:3000]

def find_features(document):
    words = set(document)
    features = {}
    for w in word_features:
        features[w] = (w in words)

    return features


featuresets = [(find_features(rev), category) for (rev, category) in documents]

training_set = featuresets[:1900]
testing_set =  featuresets[1900:]


classifier = nltk.NaiveBayesClassifier.train(training_set)


print("Naive Bayes Algo accuracy percent:", (nltk.classify.accuracy(classifier, testing_set))*100)

最佳答案

首先，您可以对所有测试值进行分类，并将预测结果和黄金结果存储在一个列表中。

然后，您可以使用 nltk.ConfusionMatrix 。

test_result = []
gold_result = []

for i in range(len(testing_set)):
    test_result.append(classifier.classify(testing_set[i][0]))
    gold_result.append(testing_set[i][1])

现在，您可以计算不同的指标。

CM = nltk.ConfusionMatrix(gold_result, test_result)
print(CM)

print("Naive Bayes Algo accuracy percent:"+str((nltk.classify.accuracy(classifier, testing_set))*100)+"\n")

labels = {'pos', 'neg'}

from collections import Counter
TP, FN, FP = Counter(), Counter(), Counter()
for i in labels:
    for j in labels:
        if i == j:
            TP[i] += int(CM[i,j])
        else:
            FN[i] += int(CM[i,j])
            FP[j] += int(CM[i,j])

print("label\tprecision\trecall\tf_measure")
for label in sorted(labels):
    precision, recall = 0, 0
    if TP[label] == 0:
        f_measure = 0
    else:
        precision = float(TP[label]) / (TP[label]+FP[label])
        recall = float(TP[label]) / (TP[label]+FN[label])
        f_measure = float(2) * (precision * recall) / (precision + recall)
    print(label+"\t"+str(precision)+"\t"+str(recall)+"\t"+str(f_measure))

您可以检查 - 如何计算 精度和召回 here 。

您还可以使用: sklearn.metrics 进行这些使用 gold_result 和 test_result 值的计算。

from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix

print '\nClasification report:\n', classification_report(gold_result, test_result)
print '\nConfussion matrix:\n',confusion_matrix(gold_result, test_result)

关于scikit-learn - 混淆矩阵 - 测试情感分析模型，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/38541644/