質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

87.60%

機械学習の勉強 特徴でグループ分類

解決済

回答 1

投稿 ・編集

  • 評価
  • クリップ 0
  • VIEW 478

score 13

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。


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。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

checkベストアンサー

+2

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。

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2019/03/18 14:09

    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

    キャンセル

  • 2019/03/19 08:47

    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。

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 87.60%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る