3

我非常讨厌发布关于整个代码块的问题，但在过去的 3 个小时里我一直在研究这个问题，我无法理解正在发生的事情。我从 CSV 文件中检索到大约 600 条推文，这些推文具有不同的分值（介于 -2 到 2 之间），反映了对总统候选人的情绪。

但是，当我在任何其他数据上运行此训练样本时，只返回一个值（正值）。我已经检查了分数是否被正确添加并且它们是正确的。对我来说，从 600 条不同的训练集中将 85,000 条推文都评为“正面”，这对我来说是没有意义的。有人知道这里发生了什么吗？谢谢！

import nltk
import csv

tweets = []
import ast
with open('romney.csv', 'rb') as csvfile:
    mycsv = csv.reader(csvfile)
    for row in mycsv:
        tweet = row[1]
        try:
            score = ast.literal_eval(row[12])
            if score > 0:
                print score
                print tweet
                tweets.append((tweet,"positive"))

        elif score < 0:
            print score
            print tweet
            tweets.append((tweet,"negative"))
    except ValueError:
        tweet = ""

def get_words_in_tweets(tweets):
    all_words = []
    for (words, sentiment) in tweets:
      all_words.extend(words)
    return all_words

def get_word_features(wordlist):
    wordlist = nltk.FreqDist(wordlist)
    word_features = wordlist.keys()
    return word_features

def extract_features(document):
    document_words = set(document)
    features = {}
    for word in word_features:
    features['contains(%s)' % word] = (word in document_words)
    return features

word_features = get_word_features(get_words_in_tweets(tweets))
training_set = nltk.classify.apply_features(extract_features, tweets)
classifier = nltk.NaiveBayesClassifier.train(training_set)
c = 0
with open('usa.csv', "rU") as csvfile:
    mycsv = csv.reader(csvfile)
    for row in mycsv:
        try:
            tweet = row[0]
            c = c + 1
                    print classifier.classify(extract_features(tweet.split()))                                                                                                                                                                                     
        except IndexError:
            tweet = ""
4

1 回答 1

2

朴素贝叶斯分类器通常在评估文档中出现的单词时效果最好，忽略单词的缺失。既然你用

features['contains(%s)' % word] = (word in document_words)

每个文档主要由值为 False 的特征表示。

试试类似的东西：

if word in document_words:
   features['contains(%s)' % word] = True

（您可能还应该更改for循环以获得比循环遍历词典中的所有单词更有效的方法，而不是循环遍历文档中出现的单词）。

于 2013-02-27T20:49:56.507 回答