機械学習の勉強 特徴でグループ分類

Question

前提・実現したいこと

＊勉強
機械学習にて1万ある名称を似たもの同士でグループ分け

Puthonを使って機械学習を勉強しようと考えています。
課題として挙げたのが一定の規則性のある名前1万件を
機械学習を通してグループ分けするということを考えました。

ネット上では画像の分類というのはたくさんありますが、
テキストで与えられた名前の特徴量を・・・というようなものがなく
画像よりもテキストの方が楽かと考えお題決定したつもりだったのですが・・・

どのライブラリがこの案件に適しているのか、
この内容に関して参考になるようなサイト等をご存知でしたらご教示いただけないかと
思い質問させていただきました。

例
名前のリスト(CSV形式)

abc-123-S-1
abc-151521-S1
acd-321-SF-1
abc-213-S-1
abc151512-S1
.
.
.
1万件

これを似たもの同士で分類するようなものです。

Answer 1

文字の頻度と2-gram, 3-gramくらいまでを特徴量にすれば良いでしょう。あとはグループ分けなので、クラスタリング系のアルゴリズムを使うことになります。

sklearnだけでできると思います。

sklearn.feature_extraction.text.CountVectorizer — scikit-learn 0.20.3 documentation
sklearn.feature_extraction.DictVectorizer — scikit-learn 0.20.3 documentation
sklearn.cluster.KMeans — scikit-learn 0.20.3 documentation

追記

やってみたら鼻歌交じりで五分のコーディングでした。簡単すぎるかも。

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.cluster import KMeans

def main():
    data = ["abc-123-S-1",
            "abc-151521-S1",
            "acd-321-SF-1",
            "abc-213-S-1",
            "abc151512-S1"]
    cv = CountVectorizer(lowercase=False, analyzer="char", 
                         ngram_range=(1, 3))
    X = cv.fit_transform(data)

    km = KMeans(n_clusters=3)
    y = km.fit_predict(X)
    df = pd.DataFrame({"data":data, "cluster":y})
    for cluster_i, x in df.groupby("cluster"):
        print("cluster:", cluster_i)
        print(x)

if __name__ == "__main__":
    main()

""" =>
cluster: 0
   cluster          data
2        0  acd-321-SF-1
cluster: 1
   cluster           data
1        1  abc-151521-S1
4        1   abc151512-S1
cluster: 2
   cluster         data
0        2  abc-123-S-1
3        2  abc-213-S-1
"""

今思いついた注意点ですが、データ数が1万もあるときっとそれなりに高次元の特徴量になるので、min_dfを指定して削った上でPCAとかで次元を落とさないと速度の面で実用的ではないかもしれません。あとはクラスタリング周りはいろいろ手法やパラメータ（含むクラスタ数）を試行錯誤した上で、結果が出たならその妥当性も何らかの方法で検証するべきでしょう。

Comments

[hayataka2049]

クラスタリングの結果の検証はこういう評価指標でやるといいと思います。
http://soonraah.hatenablog.com/entry/2014/05/06/192258

[shin07]

参考のソースや解説のサイトまでありがとうございます。
これからやっていくという段階なのですべてを読んで理解したわけではありませんが、
これをもとに読み解き試行錯誤していこうかと思います。
丁寧な回答ありがとうございます。