文本分类器从推特预测性别

Question

我正在尝试建立一个文本分类器，根据推特用户的推文来预测他们的性别。这是我第一次建立一个文本分类模型，我不确定我的步骤。

2 Dataframes

我有一个作为训练数据集的数据框架。它包含每个用户ID及其性别。

train_lables=({'id':['33324','24442','3956'],
     'gender':['female','male','male']})
train_lables=pd.DataFrame(train_lables)

我还有一个作为培训和测试数据集的数据集。它包含用户的推文。

tweets=({'id':['33324','24442','3956'],
         'tweets':[['hello','trump','today'],['blue','eyes','brown','hair'],['playstation','june']]})
tweets=pd.DataFrame(tweets)

元组？

我想进行特征提取来训练我的模型。到目前为止，我已经使用每个数据帧中的每一行创建了元组，如下所示。

#gender for each user id 
training_labels_tuple=[tuple(x) for x in training_labels.to_records(index=False)]

输出是

[('33324', 'female'), ('24442', 'male'), ('3956', 'male')]

以及用户id和tweet的元组。

tweets_tuple=[tuple(x) for x in tweets.to_records(index=False)]

输出是

[('33324', ['hello', 'trump', 'today']),
 ('24442', ['blue', 'eyes', 'brown', 'hair']),
 ('3956', ['playstation', 'june'])]

我不确定我是否应该把推特和性别合并成一个元组，然后用它来训练我的模型。

有人能引导我通过正确的步骤来提取模型的特征吗？

Answer 1

第六章 of nltk书有一个关于这个精确问题的很好的章节(使用性别识别例子的文本分类)。

在这个场景中，最常用的方法是将tweet作为一个字符串作为惟一的特性。下面是一个使用朴素贝叶斯分类器的示例：

import random

import nltk
import pandas as pd

# input data
df = pd.DataFrame({
    'id':['33324','24442','3956'],
    'gender':['female','male','male'],
    'tweets':[['hello','trump','today'],['blue','eyes','brown','hair'],['playstation','june']]
})

# featurize data to input into classifier
features = []
for tweet, gender in zip(df["tweets"], df["gender"]):
    features.append(({"feature": " ".join(tweet)}, gender))

# shuffle features
random.shuffle(features)    

# train test split, obvs use different split values for the real set or use sklearns train_test_split function
train_set, test_set = features[:2], features[2:]

# train
clf = nltk.NaiveBayesClassifier.train(train_set)

# test
print(nltk.classify.accuracy(clf, test_set))

这本nltk的书有更多的关于策略的信息，你可以用它来提取比我上面所做的更多的信息特性。