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

90.51%

  • Python

    11752questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

テキストを行列化し、分類させたい

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 1,516

Ya.Tatsuro

score 2

前提・実現したいこと

以下の自然言語データ(仕事内容、職種分類)をjanomeで形態素解析し、
CountVectorizerで行列化し、sklearn.naive_bayes(MultinomialNB)で学習させ、
仕事内容から職種分類を予測したいです。
(できれば、対象データを分けての検証も行いたいです)

【CSV(Book.csv)】 ※参考例
sigotonaiyo,syokusyu
オフィスの掃除を担当します,清掃スタッフ
コールセンターでのアポインター,コールセンタースタッフ
機械部品の組み立て,工場内スタッフ
居酒屋で注文を取ったり、配膳もします,居酒屋ホール

発生している問題・エラーメッセージ

すみません、素人で色々WEBで調べたのですが、いきずまってしまい。。
形態素解析まではできたのですが、その後の行列化、学習で困っています。。
皆さんに教えていただければ幸いです。どうぞよろしくお願いします。

該当のソースコード

python3.6

# -*- coding: utf-8 -*-
import csv
from janome.tokenizer import Tokenizer

import numpy as np
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer

t = Tokenizer()
with open('Book.csv') as f:
    reader = csv.reader(f)
    next(reader)
    for columns in reader:
        for i in t.tokenize(columns[0]):
            print(i)

CountVect = CountVectorizer(min_df=1)
X_count = CountVect.fit_transform(???)

X = data[:, :-1]
y = data[:, -1]

clr = NaiveBayes1()
clr.fit(X, y)
  • 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
    • 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

+1

fit_transformに形態素解析済の仕事内容を食わせたいので、まずはtokenizerの結果を配列化する必要があります。この際注意なのは、形態素化した1行1行をスペース区切りで食わせるということです
例えば

オフィスの掃除を担当します
コールセンターでのアポインター


であれば下記のように変換します

documents = [
  'オフィス の 掃除 を 担当 します',
  'コールセンター での アポインター',
]

ということで主にTokenizerの部分を以下のように変更します

documents = []   # 形態素用の配列を用意
t = Tokenizer()
y = []           # クラスラベル用の配列を用意
with open('./Book.csv') as f:
    reader = csv.reader(f)
    next(reader) # headerを無視
    for columns in reader:
        y.append(columns[1]) # 職種をクラスラベルとしてまとめる
        document = [] # 1行分の仮の配列を用意
        for token in t.tokenize(columns[0]):
            # print(token.surface)
            document.append(token.surface) # 仮の配列に形態素を追加

        documents.append(' '.join(document)) # 1行の形態素配列をスペース区切りの文字列に変換してdocuments配列に入れる

# print(y)
# print(documents)

CountVect = CountVectorizer(min_df=1)
X = CountVect.fit_transform(documents)

clr = MultinomialNB()
clr.fit(X, y)

最後のMultinomialNBの学習で怒られてしまう場合は、sklearnのLabelEncoder等でyを日本語から数値に変換してやってみたりしてください(参考

すべてうまくいった場合は、CountVectorizerをTfIdfVectorizerに変えてみたり、形態素を名詞や動詞だけにしてみたりして精度を変わるか挑戦してみてください!

投稿

  • 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。

  • 2017/06/19 07:43

    こんなに早く回答頂けてありがとうございます‼
    形態素化し配列化するには、配列を用意するんですね。あと1行1行をスペース区切りを入れることも、勉強になります。職種は数値にしたら、無事処理出来ました。ありがとうございました。
    テストデータを用意して、学習モデルを検証したいのですが、参考サイトなどがありましたら、教えて頂けると幸いです。どうぞ、よろしくお願いします。

    キャンセル

  • 2017/06/19 14:23 編集

    上手くいったようでよかったです!
    sklearnのtrain_test_split という関数で学習データとテストデータを分けることができます。分けた変数名は慣習的に_train, _valのようなsuffixが付くことが多いです。
    学習モデルの検証が上手くいって余裕があれば、cross validationやgrid searchにも挑戦してみてください

    以下のサイトが参考になると思います。応援しています!
    http://universityofbigdata.net/competition/tutorial/5681717746597888

    キャンセル

  • 2017/06/20 20:26

    サイトありがとうございます‼
    テストデータを分けて、検証したところ、予測精度が65%でした。これから精度向上で、データを増やす、前処理をちゃんとやりたいです。あと、教えていただいた、cross validationやgrid searchにも挑戦します。回答頂き、大変ありがとうございました。

    キャンセル

同じタグがついた質問を見る

  • Python

    11752questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。