6.2. 特征提取#

sklearn.feature_extraction 模块可以用于从由文本和图像等格式组成的的数据集中提取机器学习算法支持的格式的特征。

注意

特征提取与特征选择非常不同：前者在于将任意数据（如文本或图像）转换为机器学习可用的数值特征。后者是应用于这些特征的机器学习技术。

6.2.1. 从字典加载特征#

DictVectorizer 类可用于将表示为标准 Python dict 对象列表的特征数组转换为 scikit-learn 估计器使用的 NumPy/SciPy 表示。

虽然处理速度不是特别快，但 Python 的 dict 具有易于使用、稀疏（不需要存储缺失特征）以及除了值之外还存储特征名称的优点。

DictVectorizer 为分类（又名名义、离散）特征实现了所谓的 one-of-K 或“独热”编码。分类特征是“属性-值”对，其中值限制为一系列离散的可能性，没有顺序（例如主题标识符、对象类型、标签、名称……）。

在下文中，“城市”是分类属性，而“温度”是传统的数值特征。

>>> measurements = [
...     {'city': 'Dubai', 'temperature': 33.},
...     {'city': 'London', 'temperature': 12.},
...     {'city': 'San Francisco', 'temperature': 18.},
... ]

>>> from sklearn.feature_extraction import DictVectorizer
>>> vec = DictVectorizer()

>>> vec.fit_transform(measurements).toarray()
array([[ 1.,  0.,  0., 33.],
       [ 0.,  1.,  0., 12.],
       [ 0.,  0.,  1., 18.]])

>>> vec.get_feature_names_out()
array(['city=Dubai', 'city=London', 'city=San Francisco', 'temperature'], ...)

DictVectorizer 接受一个特征的多个字符串值，例如，电影的多个类别。

假设一个数据库使用一些类别（非强制性）及其发行年份对每部电影进行分类。

>>> movie_entry = [{'category': ['thriller', 'drama'], 'year': 2003},
...                {'category': ['animation', 'family'], 'year': 2011},
...                {'year': 1974}]
>>> vec.fit_transform(movie_entry).toarray()
array([[0.000e+00, 1.000e+00, 0.000e+00, 1.000e+00, 2.003e+03],
       [1.000e+00, 0.000e+00, 1.000e+00, 0.000e+00, 2.011e+03],
       [0.000e+00, 0.000e+00, 0.000e+00, 0.000e+00, 1.974e+03]])
>>> vec.get_feature_names_out()
array(['category=animation', 'category=drama', 'category=family',
       'category=thriller', 'year'], ...)
>>> vec.transform({'category': ['thriller'],
...                'unseen_feature': '3'}).toarray()
array([[0., 0., 0., 1., 0.]])

DictVectorizer 也是自然语言处理模型中训练序列分类器的有用表示转换，这些模型通常通过提取感兴趣的特定单词周围的特征窗口来工作。

例如，假设我们有一个第一个算法提取词性 (PoS) 标签，我们想将这些标签用作训练序列分类器（例如分块器）的补充标签。下面的字典可能是围绕句子“The cat sat on the mat.”中单词“sat”提取的这样一个特征窗口。

>>> pos_window = [
...     {
...         'word-2': 'the',
...         'pos-2': 'DT',
...         'word-1': 'cat',
...         'pos-1': 'NN',
...         'word+1': 'on',
...         'pos+1': 'PP',
...     },
...     # in a real application one would extract many such dictionaries
... ]

此描述可以向量化为适合馈送到分类器中的稀疏二维矩阵（可能在通过TfidfTransformer进行归一化之后）。

>>> vec = DictVectorizer()
>>> pos_vectorized = vec.fit_transform(pos_window)
>>> pos_vectorized
<Compressed Sparse...dtype 'float64'
  with 6 stored elements and shape (1, 6)>
>>> pos_vectorized.toarray()
array([[1., 1., 1., 1., 1., 1.]])
>>> vec.get_feature_names_out()
array(['pos+1=PP', 'pos-1=NN', 'pos-2=DT', 'word+1=on', 'word-1=cat',
       'word-2=the'], ...)

您可以想象，如果在一个语料库文档的每个单词周围提取这样的上下文，则生成的矩阵将非常宽（许多独热特征），其中大部分特征在大多数情况下值为零。为了使生成的数据结构能够放入内存，DictVectorizer 类默认使用 scipy.sparse 矩阵而不是 numpy.ndarray。

6.2.2. 特征哈希#

类 FeatureHasher 是一种高速、低内存的向量化器，它使用一种称为 特征哈希 或“哈希技巧”的技术。与向量化器那样构建训练中遇到的特征的哈希表不同，FeatureHasher 的实例将哈希函数应用于特征以直接确定样本矩阵中它们的列索引。这样可以提高速度并减少内存使用，但代价是可检查性；哈希器不记得输入特征是什么样的，也没有 inverse_transform 方法。

由于哈希函数可能会导致（不相关）特征之间发生冲突，因此使用带符号的哈希函数，哈希值的符号决定了为特征存储在输出矩阵中的值的符号。这样，冲突更有可能抵消而不是累积误差，并且任何输出特征值的预期均值为零。此机制在默认情况下通过 alternate_sign=True 启用，对于小型哈希表大小 (n_features < 10000) 特别有用。对于大型哈希表大小，可以禁用它，以便将输出传递给诸如 MultinomialNB 或 chi2 特征选择器之类的估计器，这些估计器需要非负输入。

FeatureHasher 接受映射（如 Python 的 dict 和 collections 模块中的变体）、(feature, value) 对或字符串，具体取决于构造函数参数 input_type。映射被视为 (feature, value) 对的列表，而单个字符串的隐含值为 1，因此 ['feat1', 'feat2', 'feat3'] 被解释为 [('feat1', 1), ('feat2', 1), ('feat3', 1)]。如果单个特征在一个样本中多次出现，则关联的值将被求和（因此 ('feat', 2) 和 ('feat', 3.5) 变成 ('feat', 5.5)）。FeatureHasher 的输出始终是 CSR 格式的 scipy.sparse 矩阵。

特征哈希可以用于文档分类，但与 CountVectorizer 不同，FeatureHasher 除了 Unicode 到 UTF-8 编码之外，不进行分词或任何其他预处理；有关组合分词器/哈希器的详细信息，请参见下面的 使用哈希技巧向量化大型文本语料库。

例如，考虑一个需要从 (token, part_of_speech) 对中提取特征的词级自然语言处理任务。可以使用 Python 生成器函数来提取特征

def token_features(token, part_of_speech):
    if token.isdigit():
        yield "numeric"
    else:
        yield "token={}".format(token.lower())
        yield "token,pos={},{}".format(token, part_of_speech)
    if token[0].isupper():
        yield "uppercase_initial"
    if token.isupper():
        yield "all_uppercase"
    yield "pos={}".format(part_of_speech)

然后，要馈送到 FeatureHasher.transform 的 raw_X 可以使用

raw_X = (token_features(tok, pos_tagger(tok)) for tok in corpus)

并馈送到带有

hasher = FeatureHasher(input_type='string')
X = hasher.transform(raw_X)

的哈希器以获得 scipy.sparse 矩阵 X。

请注意使用了生成器推导式，它将惰性引入特征提取：仅根据哈希器的需求处理标记。

实现细节#

FeatureHasher 使用 MurmurHash3 的带符号 32 位变体。因此（以及由于 scipy.sparse 的限制），当前支持的最大特征数为 \(2^{31} - 1\)。

Weinberger 等人最初提出的哈希技巧公式使用了两个单独的哈希函数 \(h\) 和 \(\xi\) 来分别确定特征的列索引和符号。目前的实现是在 MurmurHash3 的符号位与其其他位无关的假设下工作的。

由于使用简单的模运算将哈希函数转换为列索引，因此建议使用 2 的幂作为 n_features 参数；否则，特征不会均匀地映射到列。

参考文献

参考文献

6.2.3. 文本特征提取#

6.2.3.1. 词袋表示#

文本分析是机器学习算法的一个主要应用领域。然而，原始数据——一系列符号——不能直接输入到算法本身，因为大多数算法期望的是固定大小的数值特征向量，而不是长度可变的原始文本文档。

为了解决这个问题，scikit-learn 提供了从文本内容中提取数值特征的最常用方法的实用程序，即

  • 分词 (tokenizing) 字符串并为每个可能的词元赋予一个整数 ID，例如使用空格和标点符号作为词元分隔符。

  • 计数 (counting) 每个文档中词元的出现次数。

  • 规范化 (normalizing) 并使用递减的重要性权重对在大多数样本/文档中出现的词元进行加权。

在这个方案中，特征和样本定义如下：

  • 每个单个词元出现频率（已规范化或未规范化）都被视为一个特征。

  • 给定文档的所有词元频率的向量被认为是一个多元样本。

因此，文档语料库可以用一个矩阵来表示，该矩阵每行代表一个文档，每列代表语料库中出现的一个词元（例如单词）。

我们将向量化 (vectorization) 定义为将文本文档集合转换为数值特征向量的通用过程。这种特定的策略（分词、计数和规范化）被称为词袋 (Bag of Words) 或“n-gram 词袋”表示法。文档通过词频来描述，同时完全忽略了文档中单词的相对位置信息。

6.2.3.2. 稀疏性#

由于大多数文档通常只使用语料库中使用的一小部分单词，因此生成的矩阵将有很多特征值为零（通常超过 99%）。

例如，包含 10,000 个简短文本文档（例如电子邮件）的集合将使用词汇量大小约为 100,000 个唯一单词，而每个文档将分别使用 100 到 1000 个唯一单词。

为了能够将这样的矩阵存储在内存中，同时也为了加快矩阵/向量的代数运算速度，实现通常会使用稀疏表示，例如scipy.sparse包中提供的实现。

6.2.3.3. 常用向量化器用法#

CountVectorizer在一个类中同时实现了分词和出现次数计数。

>>> from sklearn.feature_extraction.text import CountVectorizer

这个模型有很多参数，但是默认值相当合理（请参见参考文档了解详情）。

>>> vectorizer = CountVectorizer()
>>> vectorizer
CountVectorizer()

让我们用它来对一个极简的文本文档语料库进行分词并计算词频。

>>> corpus = [
...     'This is the first document.',
...     'This is the second second document.',
...     'And the third one.',
...     'Is this the first document?',
... ]
>>> X = vectorizer.fit_transform(corpus)
>>> X
<Compressed Sparse...dtype 'int64'
  with 19 stored elements and shape (4, 9)>

默认配置通过提取至少包含 2 个字母的单词来进行分词。可以显式请求执行此步骤的特定函数。

>>> analyze = vectorizer.build_analyzer()
>>> analyze("This is a text document to analyze.") == (
...     ['this', 'is', 'text', 'document', 'to', 'analyze'])
True

在拟合过程中，分析器找到的每个词元都会被分配一个唯一的整数索引，对应于结果矩阵中的一列。可以按如下方式检索列的这种解释。

>>> vectorizer.get_feature_names_out()
array(['and', 'document', 'first', 'is', 'one', 'second', 'the',
       'third', 'this'], ...)

>>> X.toarray()
array([[0, 1, 1, 1, 0, 0, 1, 0, 1],
       [0, 1, 0, 1, 0, 2, 1, 0, 1],
       [1, 0, 0, 0, 1, 0, 1, 1, 0],
       [0, 1, 1, 1, 0, 0, 1, 0, 1]]...)

从特征名称到列索引的逆映射存储在向量化的vocabulary_属性中。

>>> vectorizer.vocabulary_.get('document')
1

因此，在训练语料库中未见过的单词将在以后对转换方法的调用中被完全忽略。

>>> vectorizer.transform(['Something completely new.']).toarray()
array([[0, 0, 0, 0, 0, 0, 0, 0, 0]]...)

请注意，在上一个语料库中，第一个和最后一个文档具有完全相同的单词，因此编码为相等的向量。特别是，我们丢失了最后一个文档是疑问句的信息。为了保留一些局部顺序信息，除了 1-gram（单个单词）之外，我们还可以提取单词的 2-gram。

>>> bigram_vectorizer = CountVectorizer(ngram_range=(1, 2),
...                                     token_pattern=r'\b\w+\b', min_df=1)
>>> analyze = bigram_vectorizer.build_analyzer()
>>> analyze('Bi-grams are cool!') == (
...     ['bi', 'grams', 'are', 'cool', 'bi grams', 'grams are', 'are cool'])
True

因此，此向量化器提取的词汇量要大得多，现在可以解决局部定位模式中编码的歧义。

>>> X_2 = bigram_vectorizer.fit_transform(corpus).toarray()
>>> X_2
array([[0, 0, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 1, 0],
       [0, 0, 1, 0, 0, 1, 1, 0, 0, 2, 1, 1, 1, 0, 1, 0, 0, 0, 1, 1, 0],
       [1, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 1, 1, 0, 0, 0],
       [0, 0, 1, 1, 1, 1, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 1]]...)

特别是，疑问句“Is this”仅存在于最后一个文档中。

>>> feature_index = bigram_vectorizer.vocabulary_.get('is this')
>>> X_2[:, feature_index]
array([0, 0, 0, 1]...)

6.2.3.4. 使用停用词#

停用词是指诸如“and”、“the”、“him”之类的词，它们被认为在表示文本内容方面没有信息量，并且可以将其删除以避免将其解释为预测信号。然而，有时类似的词语对预测很有用，例如在对写作风格或个性进行分类时。

我们提供的“英语”停用词列表存在一些已知问题。它并非旨在成为通用的、“一刀切”的解决方案，因为某些任务可能需要更自定义的解决方案。有关更多详细信息，请参见[NQY18]。

请注意选择停用词列表。流行的停用词列表可能包含对某些任务信息量很大的词，例如“computer”。

你还应该确保停用词列表已应用与向量化器中使用的相同的预处理和分词。单词“we’ve”由 CountVectorizer 的默认分词器拆分为“we”和“ve”，因此，如果“we’ve”在stop_words中，但“ve”不在，则“ve”将保留在转换后的文本中的“we’ve”中。我们的向量化器将尝试识别并警告某些类型的 inconsistencies。

参考文献

[NQY18]

J. Nothman，H. Qin 和 R. Yurchak (2018)。“自由开源软件包中的停用词列表”。在《NLP 开源软件研讨会论文集》中。

6.2.3.5. TF-IDF 词频加权#

在一个大型文本语料库中，某些词会非常频繁地出现（例如，英语中的“the”、“a”、“is”），因此它们几乎没有携带关于文档实际内容的有意义的信息。如果我们将直接计数数据直接提供给分类器，这些非常频繁的词语会掩盖稀有但更有趣的词语的频率。

为了将计数特征重新加权为适合分类器使用的浮点值，非常常用的是使用 TF-IDF 变换。

TF 表示词频 (term-frequency)，而 TF-IDF 表示词频乘以逆文档频率 (inverse document-frequency)：\(\text{tf-idf(t,d)}=\text{tf(t,d)} \times \text{idf(t)}\)。

使用TfidfTransformer的默认设置，TfidfTransformer(norm='l2', use_idf=True, smooth_idf=True, sublinear_tf=False)，词频（某个词在一个给定文档中出现的次数）会乘以idf成分，idf的计算公式如下：

\(\text{idf}(t) = \log{\frac{1 + n}{1+\text{df}(t)}} + 1\),

其中\(n\)是文档集中文档的总数，\(\text{df}(t)\)是文档集中包含词语\(t\)的文档数量。然后，得到的tf-idf向量将通过欧几里德范数进行归一化：

\(v_{norm} = \frac{v}{||v||_2} = \frac{v}{\sqrt{v{_1}^2 + v{_2}^2 + \dots + v{_n}^2}}\).

这最初是一种为信息检索（作为搜索引擎结果的排序函数）开发的词语权重方案，在文档分类和聚类中也得到了很好的应用。

以下章节包含更详细的解释和示例，说明tf-idf是如何精确计算的，以及scikit-learn中的TfidfTransformer和TfidfVectorizer计算的tf-idf与定义idf为以下标准教科书表示法的略微差异：

\(\text{idf}(t) = \log{\frac{n}{1+\text{df}(t)}}.\)

在TfidfTransformer和TfidfVectorizer中，如果smooth_idf=False，“1”计数将添加到idf中，而不是idf的分母：

\(\text{idf}(t) = \log{\frac{n}{\text{df}(t)}} + 1\)

这种归一化由TfidfTransformer类实现。

>>> from sklearn.feature_extraction.text import TfidfTransformer
>>> transformer = TfidfTransformer(smooth_idf=False)
>>> transformer
TfidfTransformer(smooth_idf=False)

再次请参阅参考文档，了解所有参数的详细信息。

tf-idf矩阵的数值示例#

让我们来看一个包含以下计数的示例。第一个词语出现在所有文档中（100%），因此不太重要。另外两个特征只出现在不到50%的文档中，因此可能更能代表文档的内容。

>>> counts = [[3, 0, 1],
...           [2, 0, 0],
...           [3, 0, 0],
...           [4, 0, 0],
...           [3, 2, 0],
...           [3, 0, 2]]
...
>>> tfidf = transformer.fit_transform(counts)
>>> tfidf
<Compressed Sparse...dtype 'float64'
  with 9 stored elements and shape (6, 3)>

>>> tfidf.toarray()
array([[0.81940995, 0.        , 0.57320793],
      [1.        , 0.        , 0.        ],
      [1.        , 0.        , 0.        ],
      [1.        , 0.        , 0.        ],
      [0.47330339, 0.88089948, 0.        ],
      [0.58149261, 0.        , 0.81355169]])

每一行都被归一化为具有单位欧几里德范数。

\(v_{norm} = \frac{v}{||v||_2} = \frac{v}{\sqrt{v{_1}^2 + v{_2}^2 + \dots + v{_n}^2}}\)

例如，我们可以计算counts数组中第一个文档中第一个词语的tf-idf，如下所示：

\(n = 6\)

\(\text{df}(t)_{\text{term1}} = 6\)

\(\text{idf}(t)_{\text{term1}} = \log \frac{n}{\text{df}(t)} + 1 = \log(1)+1 = 1\)

\(\text{tf-idf}_{\text{term1}} = \text{tf} \times \text{idf} = 3 \times 1 = 3\)

现在，如果我们对文档中剩余的两个词语重复此计算，我们将得到：

\(\text{tf-idf}_{\text{term2}} = 0 \times (\log(6/1)+1) = 0\)

\(\text{tf-idf}_{\text{term3}} = 1 \times (\log(6/2)+1) \approx 2.0986\)

以及原始tf-idf向量：

\(\text{tf-idf}_{\text{raw}} = [3, 0, 2.0986].\)

然后，应用欧几里德（L2）范数，我们得到文档1的以下tf-idf：

\(\frac{[3, 0, 2.0986]}{\sqrt{\big(3^2 + 0^2 + 2.0986^2\big)}} = [ 0.819, 0, 0.573].\)

此外，默认参数smooth_idf=True会在分子和分母上加“1”，就好像看到一个额外的文档，其中包含集合中每个词语各一次，这可以防止零除。

\(\text{idf}(t) = \log{\frac{1 + n}{1+\text{df}(t)}} + 1\)

使用此修改，文档1中第三个词语的tf-idf变为1.8473：

\(\text{tf-idf}_{\text{term3}} = 1 \times \log(7/3)+1 \approx 1.8473\)

L2归一化后的tf-idf变为：

\(\frac{[3, 0, 1.8473]}{\sqrt{\big(3^2 + 0^2 + 1.8473^2\big)}} = [0.8515, 0, 0.5243]\):

>>> transformer = TfidfTransformer()
>>> transformer.fit_transform(counts).toarray()
array([[0.85151335, 0.        , 0.52433293],
      [1.        , 0.        , 0.        ],
      [1.        , 0.        , 0.        ],
      [1.        , 0.        , 0.        ],
      [0.55422893, 0.83236428, 0.        ],
      [0.63035731, 0.        , 0.77630514]])

由fit方法调用计算的每个特征的权重存储在模型属性中。

>>> transformer.idf_
array([1. ..., 2.25..., 1.84...])

由于tf-idf经常用于文本特征，因此还有一个名为TfidfVectorizer的类，它在一个模型中结合了CountVectorizer和TfidfTransformer的所有选项。

>>> from sklearn.feature_extraction.text import TfidfVectorizer
>>> vectorizer = TfidfVectorizer()
>>> vectorizer.fit_transform(corpus)
<Compressed Sparse...dtype 'float64'
  with 19 stored elements and shape (4, 9)>

虽然tf-idf归一化通常非常有用，但在某些情况下，二元出现标记可能会提供更好的特征。这可以通过使用CountVectorizer的binary参数来实现。特别是，某些估计器（例如伯努利朴素贝叶斯）明确地对离散布尔随机变量进行建模。此外，非常短的文本可能具有嘈杂的tf-idf值，而二元出现信息则更稳定。

通常，调整特征提取参数的最佳方法是使用交叉验证网格搜索，例如通过将特征提取器与分类器进行流水线处理。

6.2.3.6. 解码文本文件#

文本由字符组成，但文件由字节组成。这些字节根据某种编码来表示字符。要在Python中使用文本文件，必须将其字节解码为称为Unicode的字符集。常见的编码包括ASCII、Latin-1（西欧）、KOI8-R（俄语）以及通用编码UTF-8和UTF-16。还有许多其他的编码方式。

注意

编码也可以被称为“字符集”，但这个术语不够准确：一个字符集可以存在多个编码。

scikit-learn 中的文本特征提取器知道如何解码文本文件，但前提是你必须告诉它们文件使用的编码。 CountVectorizer 为此目的提供了一个 encoding 参数。对于现代文本文件，正确的编码可能是 UTF-8，因此它是默认值（encoding="utf-8"）。

但是，如果要加载的文本实际上并非使用 UTF-8 编码，则会得到一个 UnicodeDecodeError 错误。可以通过将 decode_error 参数设置为 "ignore" 或 "replace" 来使向量化器忽略解码错误。有关更多详细信息，请参阅 Python 函数 bytes.decode 的文档（在 Python 提示符下键入 help(bytes.decode)）。

文本解码故障排除#

如果遇到文本解码问题，可以尝试以下方法：

  • 找出文本的实际编码。文件可能带有标头或自述文件，其中说明了编码，或者根据文本的来源，可能存在一些可以假设的标准编码。

  • 您可以使用 UNIX 命令 file 来大致了解编码类型。Python 的 chardet 模块带有一个名为 chardetect.py 的脚本，该脚本可以猜测具体的编码，但不能保证其猜测正确。

  • 您可以尝试使用 UTF-8 并忽略错误。您可以使用 bytes.decode(errors='replace') 来解码字节字符串，用无意义的字符替换所有解码错误，或者在向量化器中设置 decode_error='replace'。但这可能会影响特征的实用性。

  • 真实的文本可能来自各种来源，这些来源可能使用了不同的编码，甚至可能以与编码不同的编码粗略解码。这在从 Web 获取的文本中很常见。Python 包 ftfy 可以自动解决某些类型的解码错误，因此您可以尝试将未知文本解码为 latin-1，然后使用 ftfy 来修复错误。

  • 如果文本编码混杂，难以整理（例如 20 个新闻组数据集的情况），您可以回退到简单的单字节编码，例如 latin-1。某些文本可能显示不正确，但至少相同的字节序列始终表示相同的特征。

例如，以下代码片段使用 chardet（需单独安装，scikit-learn 未附带）来确定三个文本的编码。然后，它对文本进行向量化并打印学习到的词汇表。此处未显示输出。

>>> import chardet    
>>> text1 = b"Sei mir gegr\xc3\xbc\xc3\x9ft mein Sauerkraut"
>>> text2 = b"holdselig sind deine Ger\xfcche"
>>> text3 = b"\xff\xfeA\x00u\x00f\x00 \x00F\x00l\x00\xfc\x00g\x00e\x00l\x00n\x00 \x00d\x00e\x00s\x00 \x00G\x00e\x00s\x00a\x00n\x00g\x00e\x00s\x00,\x00 \x00H\x00e\x00r\x00z\x00l\x00i\x00e\x00b\x00c\x00h\x00e\x00n\x00,\x00 \x00t\x00r\x00a\x00g\x00 \x00i\x00c\x00h\x00 \x00d\x00i\x00c\x00h\x00 \x00f\x00o\x00r\x00t\x00"
>>> decoded = [x.decode(chardet.detect(x)['encoding'])
...            for x in (text1, text2, text3)]        
>>> v = CountVectorizer().fit(decoded).vocabulary_    
>>> for term in v: print(v)

（根据 chardet 的版本，它可能第一个文本的编码判断错误。）

有关 Unicode 和字符编码的总体介绍，请参阅 Joel Spolsky 的 每个软件开发人员都必须了解的 Unicode 最低限度。

6.2.3.7. 应用和示例#

词袋表示法非常简单，但在实践中却出奇地有用。

特别是在**监督学习环境**中，它可以成功地与快速且可扩展的线性模型结合使用，以训练**文档分类器**，例如：

在**无监督学习环境**中，可以通过应用聚类算法（例如 K-均值）将相似的文档分组。

最后，可以通过放宽聚类的硬赋值约束来发现语料库的主要主题，例如使用 非负矩阵分解 (NMF 或 NNMF)。

6.2.3.8. 词袋表示法的局限性#

单字词集合（词袋的内容）无法捕获短语和多词表达，有效地忽略了任何词序依赖关系。此外，词袋模型没有考虑潜在的拼写错误或词形变化。

N-gram 来拯救！与其构建简单的单字词集合 (n=1)，不如构建二元词组集合 (n=2)，其中计算连续词对的出现次数。

或者，可以考虑字符 N-gram 集合，这是一种对拼写错误和词形变化具有鲁棒性的表示法。

例如，假设我们处理的是包含两个文档的语料库：['words', 'wprds']。第二个文档包含“words”一词的拼写错误。简单的词袋表示法会认为这两个文档非常不同，在两个可能的特征方面都不同。但是，字符 2-gram 表示法会发现这两个文档在 8 个特征中的 4 个特征上匹配，这可能有助于首选分类器做出更好的判断。

>>> ngram_vectorizer = CountVectorizer(analyzer='char_wb', ngram_range=(2, 2))
>>> counts = ngram_vectorizer.fit_transform(['words', 'wprds'])
>>> ngram_vectorizer.get_feature_names_out()
array([' w', 'ds', 'or', 'pr', 'rd', 's ', 'wo', 'wp'], ...)
>>> counts.toarray().astype(int)
array([[1, 1, 1, 0, 1, 1, 1, 0],
       [1, 1, 0, 1, 1, 1, 0, 1]])

在上面的例子中，使用了 char_wb 分析器，它只从词边界内的字符创建 N-gram（两侧用空格填充）。或者，char 分析器创建跨越单词的 N-gram。

>>> ngram_vectorizer = CountVectorizer(analyzer='char_wb', ngram_range=(5, 5))
>>> ngram_vectorizer.fit_transform(['jumpy fox'])
<Compressed Sparse...dtype 'int64'
  with 4 stored elements and shape (1, 4)>

>>> ngram_vectorizer.get_feature_names_out()
array([' fox ', ' jump', 'jumpy', 'umpy '], ...)

>>> ngram_vectorizer = CountVectorizer(analyzer='char', ngram_range=(5, 5))
>>> ngram_vectorizer.fit_transform(['jumpy fox'])
<Compressed Sparse...dtype 'int64'
  with 5 stored elements and shape (1, 5)>
>>> ngram_vectorizer.get_feature_names_out()
array(['jumpy', 'mpy f', 'py fo', 'umpy ', 'y fox'], ...)

考虑词边界变化的版本 char_wb 对使用空格分词的语言尤其有用，因为它在这种情况下生成的噪声特征明显少于原始的 char 版本。对于此类语言，它可以在保持对拼写错误和词语派生的鲁棒性的同时，提高使用此类特征训练的分类器的预测精度和收敛速度。

虽然可以通过提取 n-gram 代替单个单词来保留一些局部位置信息，但词袋模型和 n-gram 词袋模型会破坏文档的大部分内部结构，从而破坏大部分由该内部结构承载的含义。

为了解决更广泛的自然语言理解任务，因此应该考虑句子和段落的局部结构。许多此类模型将被归类为“结构化输出”问题，而这些问题目前不在 scikit-learn 的范围内。

6.2.3.9. 使用哈希技巧向量化大型文本语料库#

上述向量化方案很简单，但它**在内存中维护从字符串标记到整数特征索引的映射**（vocabulary_ 属性）这一事实导致了在**处理大型数据集时出现几个问题**

  • 语料库越大，词汇表就越大，内存使用量也会越大；

  • 拟合需要分配大小与原始数据集成比例的中间数据结构。

  • 构建词语映射需要完整遍历数据集，因此无法以完全在线的方式拟合文本分类器。

  • 带有大型 vocabulary_ 的向量化器的pickle和unpickle操作可能非常慢（通常比pickle/unpickle相同大小的扁平数据结构（例如相同大小的NumPy数组）慢得多），

  • 由于 vocabulary_ 属性必须是具有细粒度同步屏障的共享状态，因此难以将向量化工作拆分为并发子任务：从标记字符串到特征索引的映射取决于每个标记首次出现的顺序，因此必须共享，这可能会损害并发工作者的性能，甚至使其比顺序版本更慢。

可以通过结合 特征哈希（由 FeatureHasher 类实现）和 CountVectorizer 的文本预处理和标记化功能来克服这些限制。

这种组合在 HashingVectorizer 中实现，这是一个与 CountVectorizer 大部分 API 兼容的转换器类。 HashingVectorizer 是无状态的，这意味着您无需对其调用 fit

>>> from sklearn.feature_extraction.text import HashingVectorizer
>>> hv = HashingVectorizer(n_features=10)
>>> hv.transform(corpus)
<Compressed Sparse...dtype 'float64'
  with 16 stored elements and shape (4, 10)>

您可以看到在向量输出中提取了 16 个非零特征标记：这少于之前 CountVectorizer 在相同玩具语料库上提取的 19 个非零值。差异来自哈希函数冲突，因为 n_features 参数的值较低。

在实际环境中，n_features 参数可以保留其默认值 2 ** 20（大约一百万个可能的特征）。如果内存或下游模型的大小是一个问题，则选择较低的值，例如 2 ** 18 可能会有所帮助，而不会在典型的文本分类任务上引入太多额外的冲突。

请注意，维度不会影响对 CSR 矩阵进行操作的算法的 CPU 训练时间（LinearSVC(dual=True)、Perceptron、SGDClassifier、PassiveAggressive），但会影响使用 CSC 矩阵的算法（LinearSVC(dual=False)、Lasso() 等）。

让我们再次尝试使用默认设置

>>> hv = HashingVectorizer()
>>> hv.transform(corpus)
<Compressed Sparse...dtype 'float64'
  with 19 stored elements and shape (4, 1048576)>

我们不再遇到冲突，但这以输出空间的维度大大增加为代价。当然，这里使用的 19 个词以外的其他词可能仍然会彼此冲突。

HashingVectorizer 还具有以下限制

  • 由于执行映射的单向哈希函数的特性，无法反转模型（没有 inverse_transform 方法），也无法访问特征的原始字符串表示。

  • 它不提供 IDF 加权，因为这会在模型中引入状态。如果需要，可以将 TfidfTransformer 附加到管道中。

使用 HashingVectorizer 进行内存外扩展#

使用HashingVectorizer的一个有趣发展是能够进行内存外扩展。这意味着我们可以从不适合计算机主内存的数据中学习。

实现内存外扩展的一种策略是将数据以小批量的方式流式传输到估计器。每个小批量都使用HashingVectorizer进行向量化，以保证估计器的输入空间始终具有相同的维度。因此，任何时候使用的内存量都受限于一个小批量的规模。虽然这种方法可以摄取的数据量没有限制，但从实践的角度来看，学习时间通常受限于人们希望用于此任务的CPU时间。

有关文本分类任务中内存外扩展的完整示例，请参见文本文档的内存外分类。

6.2.3.10. 自定义向量化器类#

可以通过向向量化器构造函数传递一个可调用对象来自定义其行为。

>>> def my_tokenizer(s):
...     return s.split()
...
>>> vectorizer = CountVectorizer(tokenizer=my_tokenizer)
>>> vectorizer.build_analyzer()(u"Some... punctuation!") == (
...     ['some...', 'punctuation!'])
True

特别是我们命名

  • preprocessor：一个可调用对象，它接收整个文档作为输入（作为单个字符串），并返回文档的可能已转换版本，仍然作为单个字符串。这可以用于删除HTML标签、将整个文档转换为小写等等。

  • tokenizer：一个可调用对象，它接收预处理器输出并将其拆分为标记，然后返回这些标记的列表。

  • analyzer：一个可调用对象，它替换预处理器和标记器。默认分析器都会调用预处理器和标记器，但自定义分析器将跳过此步骤。N-gram 提取和停用词过滤发生在分析器级别，因此自定义分析器可能需要重现这些步骤。

（Lucene 用户可能会认出这些名称，但请注意，scikit-learn 的概念可能不会与 Lucene 的概念一一对应。）

为了使预处理器、标记器和分析器能够感知模型参数，可以从类派生并覆盖build_preprocessor、build_tokenizer和build_analyzer工厂方法，而不是传递自定义函数。

提示和技巧#

  • 如果文档已由外部包预先分词，则将它们存储在以空格分隔标记的文件（或字符串）中，并传递analyzer=str.split

  • 诸如词干提取、词形还原、复合词拆分、基于词性的过滤等高级标记级别分析不包含在 scikit-learn 代码库中，但可以通过自定义标记器或分析器来添加。这是一个使用NLTK的带有标记器和词形还原器的CountVectorizer

    >>> from nltk import word_tokenize          
>>> from nltk.stem import WordNetLemmatizer 
>>> class LemmaTokenizer:
...     def __init__(self):
...         self.wnl = WordNetLemmatizer()
...     def __call__(self, doc):
...         return [self.wnl.lemmatize(t) for t in word_tokenize(doc)]
...
>>> vect = CountVectorizer(tokenizer=LemmaTokenizer())

    （请注意，这不会过滤掉标点符号。）

    例如，下面的示例会将某些英国拼写转换为美国拼写

    >>> import re
>>> def to_british(tokens):
...     for t in tokens:
...         t = re.sub(r"(...)our$", r"\1or", t)
...         t = re.sub(r"([bt])re$", r"\1er", t)
...         t = re.sub(r"([iy])s(e$|ing|ation)", r"\1z\2", t)
...         t = re.sub(r"ogue$", "og", t)
...         yield t
...
>>> class CustomVectorizer(CountVectorizer):
...     def build_tokenizer(self):
...         tokenize = super().build_tokenizer()
...         return lambda doc: list(to_british(tokenize(doc)))
...
>>> print(CustomVectorizer().build_analyzer()(u"color colour"))
[...'color', ...'color']

    对于其他预处理样式；示例包括词干提取、词形还原或规范化数值标记，后者在

中进行了说明。在处理不使用显式词分隔符（如空格）的亚洲语言时，自定义向量化器也很有用。

6.2.4. 图像特征提取#

6.2.4.1. 图像块提取#

extract_patches_2d函数从存储为二维数组（或三维数组，其中第三轴沿颜色信息）的图像中提取图像块。要从其所有图像块重建图像，请使用reconstruct_from_patches_2d。例如，让我们生成一个具有 3 个颜色通道（例如，RGB 格式）的 4x4 像素图片

>>> import numpy as np
>>> from sklearn.feature_extraction import image

>>> one_image = np.arange(4 * 4 * 3).reshape((4, 4, 3))
>>> one_image[:, :, 0]  # R channel of a fake RGB picture
array([[ 0,  3,  6,  9],
       [12, 15, 18, 21],
       [24, 27, 30, 33],
       [36, 39, 42, 45]])

>>> patches = image.extract_patches_2d(one_image, (2, 2), max_patches=2,
...     random_state=0)
>>> patches.shape
(2, 2, 2, 3)
>>> patches[:, :, :, 0]
array([[[ 0,  3],
        [12, 15]],

       [[15, 18],
        [27, 30]]])
>>> patches = image.extract_patches_2d(one_image, (2, 2))
>>> patches.shape
(9, 2, 2, 3)
>>> patches[4, :, :, 0]
array([[15, 18],
       [27, 30]])

现在让我们尝试通过对重叠区域进行平均来从图像块重建原始图像

>>> reconstructed = image.reconstruct_from_patches_2d(patches, (4, 4, 3))
>>> np.testing.assert_array_equal(one_image, reconstructed)

PatchExtractor类的工作方式与extract_patches_2d相同，只是它支持多个图像作为输入。它实现为 scikit-learn 变换器，因此可以在管道中使用。参见

>>> five_images = np.arange(5 * 4 * 4 * 3).reshape(5, 4, 4, 3)
>>> patches = image.PatchExtractor(patch_size=(2, 2)).transform(five_images)
>>> patches.shape
(45, 2, 2, 3)

6.2.4.2. 图像的连接图#

scikit-learn 中的几个估计器可以使用特征或样本之间的连接信息。例如，Ward 聚类（层次聚类）只能将图像的相邻像素聚类在一起，从而形成连续的图像块

../_images/sphx_glr_plot_coin_ward_segmentation_001.png

为此，估计器使用“连接性”矩阵，给出哪些样本是连接的。

函数img_to_graph可以从二维或三维图像中返回这样的矩阵。类似地，grid_to_graph根据图像的形状构建图像的连接矩阵。

这些矩阵可用于在使用连接信息（例如 Ward 聚类（层次聚类））的估计器中施加连接性，也可用于构建预计算核或相似性矩阵。

注意

示例