【2020年版】言語処理100本ノック第6章を解いてみた

今回は言語処理100本ノック2020年版の第６章です。

ここらへんから本当にしんどいところが増えてくるので、時間に余裕を持って取り組みましょう。

機械学習

50. データの入手・整形

News Aggregator Data Setをダウンロードし、以下の要領で学習データ（train.txt），検証データ（valid.txt），評価データ（test.txt）を作成せよ．

1. ダウンロードしたzipファイルを解凍し，readme.txtの説明を読む．
2. 情報源（publisher）が”Reuters”, “Huffington Post”, “Businessweek”, “Contactmusic.com”, “Daily Mail”の事例（記事）のみを抽出する．
3. 抽出された事例をランダムに並び替える．
4. 抽出された事例の80%を学習データ，残りの10%ずつを検証データと評価データに分割し，それぞれtrain.txt，valid.txt，test.txtというファイル名で保存する．ファイルには，１行に１事例を書き出すこととし，カテゴリ名と記事見出しのタブ区切り形式とせよ（このファイルは後に問題70で再利用する）．

学習データと評価データを作成したら，各カテゴリの事例数を確認せよ．


import random

news_lst = []

# csvファイルの読み込み, 整形
with open('./NewsAggregatorDataset/newsCorpora.csv', 'r') as f:
    for line in f:
        data = line.split('\t')
        if (data[3] in ['Reuters', 'Huffington Post', 'Businessweek', 'Contactmusic.com', 'Daily Mail']):
            news_lst.append(data)

# 出力
random.shuffle(news_lst)
train_len = int(len(news_lst)*0.8)
valid_len = test_len = int(len(news_lst)*0.1)
with open('./train.txt', 'w') as f1, open('./valid.txt', 'w') as f2, open('./test.txt', 'w') as f3:
    for data in news_lst[:train_len]:
        f1.write('\t'.join([data[1], data[4]])+'\n')
    for data in news_lst[train_len:train_len+valid_len]:
        f2.write('\t'.join([data[1], data[4]])+'\n')
    for data in news_lst[train_len+valid_len:]:
        f3.write('\t'.join([data[1], data[4]])+'\n')
        
# 確認
type_lst = ['train', 'valid', 'test']
for i, lst in enumerate([news_lst[:train_len], news_lst[train_len:train_len+valid_len], news_lst[train_len+valid_len:]]):
    print(
        type_lst[i],
        len(list((filter(lambda x: x[4] == 'b', lst)))),
        len(list((filter(lambda x: x[4] == 't', lst)))),
        len(list((filter(lambda x: x[4] == 'e', lst)))),
        len(list((filter(lambda x: x[4] == 'm', lst))))
    )

import random

news_lst = []

# csvファイルの読み込み, 整形

with open('./NewsAggregatorDataset/newsCorpora.csv', 'r') as f:

for line in f:

data = line.split('\t')

if (data[3] in ['Reuters', 'Huffington Post', 'Businessweek', 'Contactmusic.com', 'Daily Mail']):

news_lst.append(data)

# 出力

random.shuffle(news_lst)

train_len = int(len(news_lst)*0.8)

valid_len = test_len = int(len(news_lst)*0.1)

with open('./train.txt', 'w') as f1, open('./valid.txt', 'w') as f2, open('./test.txt', 'w') as f3:

for data in news_lst[:train_len]:

f1.write('\t'.join([data[1], data[4]])+'\n')

for data in news_lst[train_len:train_len+valid_len]:

f2.write('\t'.join([data[1], data[4]])+'\n')

for data in news_lst[train_len+valid_len:]:

f3.write('\t'.join([data[1], data[4]])+'\n')

# 確認

type_lst = ['train', 'valid', 'test']

for i, lst in enumerate([news_lst[:train_len], news_lst[train_len:train_len+valid_len], news_lst[train_len+valid_len:]]):

print(

type_lst[i],

len(list((filter(lambda x: x[4] == 'b', lst)))),

len(list((filter(lambda x: x[4] == 't', lst)))),

len(list((filter(lambda x: x[4] == 'e', lst)))),

len(list((filter(lambda x: x[4] == 'm', lst))))

)

結果は以下のようになります。


train 4483 1244 4226 731
valid 567 135 543 90
test 577 146 525 89

train 4483 1244 4226 731

valid 567 135 543 90

test 577 146 525 89

51. 特徴量抽出

学習データ，検証データ，評価データから特徴量を抽出し，それぞれtrain.feature.txt，valid.feature.txt，test.feature.txtというファイル名で保存せよ．なお，カテゴリ分類に有用そうな特徴量は各自で自由に設計せよ．記事の見出しを単語列に変換したものが最低限のベースラインとなるであろう．

まずはモデルで使用する語彙を取得します。


import re
import spacy
nlp = spacy.load('en')

with open('./train.txt', 'r') as f:
    train_data = []
    for text in f:
        text = text.split('\t')[0]
        train_data.append(nlp(text))

import re

import spacy

nlp = spacy.load('en')

with open('./train.txt', 'r') as f:

train_data = []

for text in f:

text = text.split('\t')[0]

train_data.append(nlp(text))


# 語彙設定

import collections

c = collections.Counter([i.lemma_.lower() for j in train_data for i in j])
v = [w for w, f in c.most_common() if (2 < f < 1000)]

# 語彙設定

import collections

c = collections.Counter([i.lemma_.lower() for j in train_data for i in j])

v = [w for w, f in c.most_common() if (2 < f < 1000)]

次に特徴量を提出します。


with open('./train.txt', 'r') as f1, open('./valid.txt', 'r') as f2, open('./test.txt', 'r') as f3:
    
    train_data = []
    for text in f1:
        text = text.split('\t')
        train_data.append([nlp(text[0]), text[1][0]])
        
    valid_data = []
    for text in f2:
        text = text.split('\t')
        valid_data.append([nlp(text[0]), text[1][0]])
        
    test_data = []
    for text in f3:
        text = text.split('\t')
        test_data.append([nlp(text[0]), text[1][0]])

with open('./train.txt', 'r') as f1, open('./valid.txt', 'r') as f2, open('./test.txt', 'r') as f3:

train_data = []

for text in f1:

text = text.split('\t')

train_data.append([nlp(text[0]), text[1][0]])

valid_data = []

for text in f2:

text = text.split('\t')

valid_data.append([nlp(text[0]), text[1][0]])

test_data = []

for text in f3:

text = text.split('\t')

test_data.append([nlp(text[0]), text[1][0]])


# 特徴量抽出

import pickle

def get_feature(sentence, vocab):
    feature = {t: 0 for t in vocab}
    for w in sentence:
        l = w.lemma_.lower()
        if l in v:
            feature[l] += 1   
    return feature

def write_features(data, file):
    features = []
    for d in data:
        features.append({'words': get_feature(d[0], v), 'cat': d[1]})
    pickle.dump(features, file)
    

with open('./train.feature.txt', 'wb') as f1, open('./valid.feature.txt', 'wb') as f2, open('./test.feature.txt', 'wb') as f3:
    write_features(train_data, f1)
    write_features(valid_data, f2)
    write_features(test_data, f3)

# 特徴量抽出

import pickle

def get_feature(sentence, vocab):

feature = {t: 0 for t in vocab}

for w in sentence:

l = w.lemma_.lower()

if l in v:

feature[l] += 1

return feature

def write_features(data, file):

features = []

for d in data:

features.append({'words': get_feature(d[0], v), 'cat': d[1]})

pickle.dump(features, file)

with open('./train.feature.txt', 'wb') as f1, open('./valid.feature.txt', 'wb') as f2, open('./test.feature.txt', 'wb') as f3:

write_features(train_data, f1)

write_features(valid_data, f2)

write_features(test_data, f3)

特徴量が取れているか確認してみます。


# 確認

import pickle

with open('./train.feature.txt', 'rb') as f1:
    data = pickle.load(f1)
    print(data[0])
    print(len(data))

# 確認

import pickle

with open('./train.feature.txt', 'rb') as f1:

data = pickle.load(f1)

print(data[0])

print(len(data))

０番目のものだけを取り出してみましたが、こんな感じになっています。


{'words': {'and': 0, 'us': 0, 'a': 0, 'with': 0, 'at': 0, 'after': 0, 'new': 0, 'say': 0, '"': 0, '$': 0, '(': 0, ')': 0, 'up': 0, 'not': 0, 'from': 0, 'stock': 0, 'by': 0, '?': 0, 'kardashian': 0, 'have': 0, 'rise': 0, ';': 0, 'will': 0, 'high': 0, 'kim': 0, 'china': 0, 'over': 0, 'euro': 1, '1': 0, 'show': 0, 'first': 0, 'low': 0, 'may': 0, 'more': 0, 'fall': 0, 'share': 0, 'deal': 0, 'that': 0, 'year': 0, 'about': 0, 'get': 0, '!': 0, 'dollar': 0, 'do': 0, 'star': 0, 'sale': 0, 'bank': 0, 'see': 0, 'make': 0, 'day': 0, 'out': 0, '2': 0, 'fed': 0, 'ecb': 0, 'profit': 0, 'take': 0, 'off': 0, 'buy': 0, 'billion': 0, 'global': 0, 'rate': 0, 'miley': 0, 'cyrus': 0, 'drop': 0, 'forex': 1, 'wall': 0, 'time': 0, 'datum': 0, 'ceo': 0, 'but': 0, 'report': 0, 'set': 0, 'west': 0, 'could': 0, 'cut': 0, 'hit': 0, 'gain': 0, 'growth': 0, 'pay': 0, 'reveal': 0, 'video': 0, 'chris': 0, 'price': 0, 'ukraine': 0, 'big': 0, 'market': 0,

{'words': {'and': 0, 'us': 0, 'a': 0, 'with': 0, 'at': 0, 'after': 0, 'new': 0, 'say': 0, '"': 0, '$': 0, '(': 0, ')': 0, 'up': 0, 'not': 0, 'from': 0, 'stock': 0, 'by': 0, '?': 0, 'kardashian': 0, 'have': 0, 'rise': 0, ';': 0, 'will': 0, 'high': 0, 'kim': 0, 'china': 0, 'over': 0, 'euro': 1, '1': 0, 'show': 0, 'first': 0, 'low': 0, 'may': 0, 'more': 0, 'fall': 0, 'share': 0, 'deal': 0, 'that': 0, 'year': 0, 'about': 0, 'get': 0, '!': 0, 'dollar': 0, 'do': 0, 'star': 0, 'sale': 0, 'bank': 0, 'see': 0, 'make': 0, 'day': 0, 'out': 0, '2': 0, 'fed': 0, 'ecb': 0, 'profit': 0, 'take': 0, 'off': 0, 'buy': 0, 'billion': 0, 'global': 0, 'rate': 0, 'miley': 0, 'cyrus': 0, 'drop': 0, 'forex': 1, 'wall': 0, 'time': 0, 'datum': 0, 'ceo': 0, 'but': 0, 'report': 0, 'set': 0, 'west': 0, 'could': 0, 'cut': 0, 'hit': 0, 'gain': 0, 'growth': 0, 'pay': 0, 'reveal': 0, 'video': 0, 'chris': 0, 'price': 0, 'ukraine': 0, 'big': 0, 'market': 0,

52. 学習

51で構築した学習データを用いて，ロジスティック回帰モデルを学習せよ．


from sklearn.linear_model import LogisticRegression
import pickle

with open('./train.feature.txt', 'rb') as f1:
    data = pickle.load(f1) 
    
    train_x, train_t = [], []
    for feature in data:
        train_x.append([v for k, v  in feature['words'].items()])
        train_t.append(feature['cat'])
        
    lr = LogisticRegression()
    lr.fit(train_x, train_t)

from sklearn.linear_model import LogisticRegression

import pickle

with open('./train.feature.txt', 'rb') as f1:

data = pickle.load(f1)

train_x, train_t = [], []

for feature in data:

train_x.append([v for k, v in feature['words'].items()])

train_t.append(feature['cat'])

lr = LogisticRegression()

lr.fit(train_x, train_t)

53. 予測

52で学習したロジスティック回帰モデルを用い，与えられた記事見出しからカテゴリとその予測確率を計算するプログラムを実装せよ．


with open('./test.feature.txt', 'rb') as f1:
    data = pickle.load(f1) 
    
    test_x, test_t = [], []
    for feature in data:
        test_x.append([v for k, v  in feature['words'].items()])
        test_t.append(feature['cat'])
        
    out = lr.predict(test_x)

with open('./test.feature.txt', 'rb') as f1:

data = pickle.load(f1)

test_x, test_t = [], []

for feature in data:

test_x.append([v for k, v in feature['words'].items()])

test_t.append(feature['cat'])

out = lr.predict(test_x)


out = lr.predict(test_x)
for i in range(min(len(out), 50)):
    print(out[i], test_t[i])

out = lr.predict(test_x)

for i in range(min(len(out), 50)):

print(out[i], test_t[i])


b b
e e
e e
b b
e e
b b
b b
b b
b b
b b
b b
e e
e e
b b
b b
b b
m m
b b
b t
b b
e e
b b
e e
b b
e e
b b
e e
b b
b b
b b
e e
e e
b b
e e
m m
m b
t t
t t
e e
b b
e e
e e
e e
b b
t t
m m
e e
e m
e e
b b

b b

e e

b b

e e

b b

e e

b b

m m

b b

b t

b b

e e

b b

e e

b b

e e

b b

e e

b b

e e

b b

e e

m m

m b

t t

e e

b b

e e

b b

t t

m m

e e

e m

e e

b b

54. 正解率の計測

52で学習したロジスティック回帰モデルの正解率を，学習データおよび評価データ上で計測せよ．


# 訓練データ

out = lr.predict(train_x)
print (len([1 for i in range(len(out)) if out[i] == train_t[i]]) / len(out))

out = lr.predict(test_x)
print (len([1 for i in range(len(out)) if out[i] == test_t[i]]) / len(out))

# 訓練データ

out = lr.predict(train_x)

print (len([1 for i in range(len(out)) if out[i] == train_t[i]]) / len(out))

out = lr.predict(test_x)

print (len([1 for i in range(len(out)) if out[i] == test_t[i]]) / len(out))


0.9747285660801198
0.9050112191473448

0.9747285660801198

0.9050112191473448

55. 混同行列の作成

52で学習したロジスティック回帰モデルの混同行列（confusion matrix）を，学習データおよび評価データ上で作成せよ．


from sklearn.metrics import confusion_matrix
import seaborn as sns

with open('./valid.feature.txt', 'rb') as f1:
    data = pickle.load(f1) 
    
    valid_x, valid_t = [], []
    for feature in data:
        valid_x.append([v for k, v  in feature['words'].items()])
        valid_t.append(feature['cat'])

    # 学習データ
    cm = confusion_matrix(train_t, lr.predict(train_x), labels=['b', 't', 'e', 'm'])
    print(cm)

    #評価データ
    cm = confusion_matrix(valid_t, lr.predict(valid_x), labels=['b', 't', 'e', 'm'])
    print(cm)
    
    sns.heatmap(cm)

from sklearn.metrics import confusion_matrix

import seaborn as sns

with open('./valid.feature.txt', 'rb') as f1:

data = pickle.load(f1)

valid_x, valid_t = [], []

for feature in data:

valid_x.append([v for k, v in feature['words'].items()])

valid_t.append(feature['cat'])

# 学習データ

cm = confusion_matrix(train_t, lr.predict(train_x), labels=['b', 't', 'e', 'm'])

print(cm)

#評価データ

cm = confusion_matrix(valid_t, lr.predict(valid_x), labels=['b', 't', 'e', 'm'])

print(cm)

sns.heatmap(cm)


[[4413   41   26    3]
 [  85 1122   36    1]
 [  23    1 4200    2]
 [  29    3   20  679]]
[[542   8  16   1]
 [ 26  93  15   1]
 [ 10   2 528   3]
 [ 11   4  22  53]]

[[4413 41 26 3]

[ 85 1122 36 1]

[ 23 1 4200 2]

[ 29 3 20 679]]

[[542 8 16 1]

[ 26 93 15 1]

[ 10 2 528 3]

[ 11 4 22 53]]

56. 適合率，再現率，F1スコアの計測

52で学習したロジスティック回帰モデルの適合率，再現率，F1スコアを，評価データ上で計測せよ．カテゴリごとに適合率，再現率，F1スコアを求め，カテゴリごとの性能をマイクロ平均（micro-average）とマクロ平均（macro-average）で統合せよ．

まずはsklearnで自動で計算してみます。


# 自動

from sklearn.metrics import classification_report

report = classification_report(valid_t, lr.predict(valid_x), labels=['b', 't', 'e', 'm'])
print(report)

# 自動

from sklearn.metrics import classification_report

report = classification_report(valid_t, lr.predict(valid_x), labels=['b', 't', 'e', 'm'])

print(report)


             precision    recall  f1-score   support

          b       0.92      0.96      0.94       567
          t       0.87      0.69      0.77       135
          e       0.91      0.97      0.94       543
          m       0.91      0.59      0.72        90

avg / total       0.91      0.91      0.91      1335

precision recall f1-score support

b 0.92 0.96 0.94 567

t 0.87 0.69 0.77 135

e 0.91 0.97 0.94 543

m 0.91 0.59 0.72 90

avg / total 0.91 0.91 0.91 1335

多クラス分類におけるTrue Positiveとかの式は以下のようになります。

True Positive: $tp_i = c_{ii}$
False Positive: $fp_i = \sum_{n=1}^{l}c_{ni} – tp_{i}$$
False Negative: $fn_i = \sum_{n=1}^{l}c_{in} – tp_{i}$
True Negative: $tn_i = \sum_{n=1}^{l}\sum_{k=1}^{l}c_{nk} – tp_{i} – fp_{i} – fn_{i}$


import numpy as np

def calc_report(metrics, labels):
    index = []
    length = len(labels)
    
    for i in range(length):
        tp = metrics[i, i]
        fp = sum(cm[:,i]) - tp
        fn = sum(cm[i,:]) - tp
        tn = np.sum(cm) - tp- fp- fn
        precision = tp/(tp+fp)
        recall = tp/(tp+fn)
        f1_measure = 2*precision*recall/(precision+recall)
        index.append({
            'tp': tp, 
            'fp': fp, 
            'fn': fn, 
            'tn': tn,
            'precision': round(precision, 2),
            'recall': round(recall, 2),
            'f1-measure': round(f1_measure, 2)
        })
        
    micro_precision = sum([i['tp'] for i in index])/sum([i['tp']+i['fp'] for i in index])
    micro_recall = sum([i['tp'] for i in index])/sum([i['tp']+i['fn'] for i in index])
    micro_f1 = 2*micro_precision*micro_recall/(micro_precision+micro_recall)
    
    macro_precision = sum([i['tp']/(i['tp']+i['fp']) for i in index])/length
    macro_recall = sum([i['tp']/(i['tp']+i['fn']) for i in index])/length
    macro_f1 = 2*macro_precision*macro_recall/(macro_precision+macro_recall)
    
    index.append({'micro-p': round(micro_precision, 2), 'micro_recall': round(micro_recall, 2), 'micro-f1': round(micro_f1, 2)})
    index.append({'macro-p': round(macro_precision, 2), 'macro_recall': round(macro_recall, 2), 'macro-f1': round(macro_f1, 2)})
    
    return index
    
labels = ['b', 't', 'e', 'm']
cm = confusion_matrix(valid_t, lr.predict(valid_x), labels=labels)

for i in calc_report(cm, labels):
    print(i)

import numpy as np

def calc_report(metrics, labels):

index = []

length = len(labels)

for i in range(length):

tp = metrics[i, i]

fp = sum(cm[:,i]) - tp

fn = sum(cm[i,:]) - tp

tn = np.sum(cm) - tp- fp- fn

precision = tp/(tp+fp)

recall = tp/(tp+fn)

f1_measure = 2*precision*recall/(precision+recall)

index.append({

'tp': tp,

'fp': fp,

'fn': fn,

'tn': tn,

'precision': round(precision, 2),

'recall': round(recall, 2),

'f1-measure': round(f1_measure, 2)

})

micro_precision = sum([i['tp'] for i in index])/sum([i['tp']+i['fp'] for i in index])

micro_recall = sum([i['tp'] for i in index])/sum([i['tp']+i['fn'] for i in index])

micro_f1 = 2*micro_precision*micro_recall/(micro_precision+micro_recall)

macro_precision = sum([i['tp']/(i['tp']+i['fp']) for i in index])/length

macro_recall = sum([i['tp']/(i['tp']+i['fn']) for i in index])/length

macro_f1 = 2*macro_precision*macro_recall/(macro_precision+macro_recall)

index.append({'micro-p': round(micro_precision, 2), 'micro_recall': round(micro_recall, 2), 'micro-f1': round(micro_f1, 2)})

index.append({'macro-p': round(macro_precision, 2), 'macro_recall': round(macro_recall, 2), 'macro-f1': round(macro_f1, 2)})

return index

labels = ['b', 't', 'e', 'm']

cm = confusion_matrix(valid_t, lr.predict(valid_x), labels=labels)

for i in calc_report(cm, labels):

print(i)


{'tp': 542, 'fp': 47, 'fn': 25, 'tn': 721, 'precision': 0.92, 'recall': 0.96, 'f1-measure': 0.94}
{'tp': 93, 'fp': 14, 'fn': 42, 'tn': 1186, 'precision': 0.87, 'recall': 0.69, 'f1-measure': 0.77}
{'tp': 528, 'fp': 53, 'fn': 15, 'tn': 739, 'precision': 0.91, 'recall': 0.97, 'f1-measure': 0.94}
{'tp': 53, 'fp': 5, 'fn': 37, 'tn': 1240, 'precision': 0.91, 'recall': 0.59, 'f1-measure': 0.72}
{'micro-p': 0.91, 'micro_recall': 0.91, 'micro-f1': 0.91}
{'macro-p': 0.9, 'macro_recall': 0.8, 'macro-f1': 0.85}

{'tp': 542, 'fp': 47, 'fn': 25, 'tn': 721, 'precision': 0.92, 'recall': 0.96, 'f1-measure': 0.94}

{'tp': 93, 'fp': 14, 'fn': 42, 'tn': 1186, 'precision': 0.87, 'recall': 0.69, 'f1-measure': 0.77}

{'tp': 528, 'fp': 53, 'fn': 15, 'tn': 739, 'precision': 0.91, 'recall': 0.97, 'f1-measure': 0.94}

{'tp': 53, 'fp': 5, 'fn': 37, 'tn': 1240, 'precision': 0.91, 'recall': 0.59, 'f1-measure': 0.72}

{'micro-p': 0.91, 'micro_recall': 0.91, 'micro-f1': 0.91}

{'macro-p': 0.9, 'macro_recall': 0.8, 'macro-f1': 0.85}

57. 特徴量の重みの確認

52で学習したロジスティック回帰モデルの中で，重みの高い特徴量トップ10と，重みの低い特徴量トップ10を確認せよ．


import pandas as pd

features_list = [k for k, v  in feature['words'].items()]

for i in range(len(labels)):
    print('-----'+labels[i]+'-----')
    
    indices = lr.coef_[i].argsort()[:10]
    display(pd.DataFrame([
        map(lambda x: features_list[x], list(indices)), 
        lr.coef_[i][indices]
    ], index = ['特徴量', '重み'], columns = list(map(lambda x: str(x)+'位', range(1, 10+1)))))
    
    indices = lr.coef_[i].argsort()[::-1][:10]
    display(pd.DataFrame([
        map(lambda x: features_list[x], list(indices)),
        lr.coef_[i][indices]
    ], index = ['特徴量', '重み'], columns = list(map(lambda x: str(x)+'位', range(1, 10+1)))))

import pandas as pd

features_list = [k for k, v in feature['words'].items()]

for i in range(len(labels)):

print('-----'+labels[i]+'-----')

indices = lr.coef_[i].argsort()[:10]

display(pd.DataFrame([

map(lambda x: features_list[x], list(indices)),

lr.coef_[i][indices]

], index = ['特徴量', '重み'], columns = list(map(lambda x: str(x)+'位', range(1, 10+1)))))

indices = lr.coef_[i].argsort()[::-1][:10]

display(pd.DataFrame([

map(lambda x: features_list[x], list(indices)),

lr.coef_[i][indices]

], index = ['特徴量', '重み'], columns = list(map(lambda x: str(x)+'位', range(1, 10+1)))))

58. 正則化パラメータの変更

ロジスティック回帰モデルを学習するとき，正則化パラメータを調整することで，学習時の過学習（overfitting）の度合いを制御できる．異なる正則化パラメータでロジスティック回帰モデルを学習し，学習データ，検証データ，および評価データ上の正解率を求めよ．実験の結果は，正則化パラメータを横軸，正解率を縦軸としたグラフにまとめよ．


from sklearn.linear_model import LogisticRegression
import pickle
from tqdm import tqdm

def getdata(file):
    x, t = [], []
    for feature in pickle.load(file) :
        x.append([v for k, v  in feature['words'].items()])
        t.append(feature['cat'])
    return x, t

with open('./train.feature.txt', 'rb') as f1, open('./valid.feature.txt', 'rb') as f2, open('./test.feature.txt', 'rb') as f3:
    # データの取得
    train_x, train_t = getdata(f1)
    valid_x, valid_t = getdata(f2)
    test_x, test_t = getdata(f3)
    
    train_acc, valid_acc, test_acc = [], [], []
    x_axis = np.arange(0.1, 5.1, 0.1)
    
    for C in tqdm(x_axis):
        
        # 学習
        lr = LogisticRegression(penalty='l2', C=C)
        lr.fit(train_x, train_t)
        
        # 評価
        out = lr.predict(train_x)
        train_acc.append(len([1 for i in range(len(out)) if out[i] == train_t[i]]) / len(out))

        out = lr.predict(valid_x)
        valid_acc.append(len([1 for i in range(len(out)) if out[i] == valid_t[i]]) / len(out))
        
        out = lr.predict(test_x)
        test_acc.append(len([1 for i in range(len(out)) if out[i] == test_t[i]]) / len(out))
        
print(train_acc, len(train_acc))
print(valid_acc, len(valid_acc))
print(test_acc, len(test_acc))

from sklearn.linear_model import LogisticRegression

import pickle

from tqdm import tqdm

def getdata(file):

x, t = [], []

for feature in pickle.load(file) :

x.append([v for k, v in feature['words'].items()])

t.append(feature['cat'])

return x, t

with open('./train.feature.txt', 'rb') as f1, open('./valid.feature.txt', 'rb') as f2, open('./test.feature.txt', 'rb') as f3:

# データの取得

train_x, train_t = getdata(f1)

valid_x, valid_t = getdata(f2)

test_x, test_t = getdata(f3)

train_acc, valid_acc, test_acc = [], [], []

x_axis = np.arange(0.1, 5.1, 0.1)

for C in tqdm(x_axis):

# 学習

lr = LogisticRegression(penalty='l2', C=C)

lr.fit(train_x, train_t)

# 評価

out = lr.predict(train_x)

train_acc.append(len([1 for i in range(len(out)) if out[i] == train_t[i]]) / len(out))

out = lr.predict(valid_x)

valid_acc.append(len([1 for i in range(len(out)) if out[i] == valid_t[i]]) / len(out))

out = lr.predict(test_x)

test_acc.append(len([1 for i in range(len(out)) if out[i] == test_t[i]]) / len(out))

print(train_acc, len(train_acc))

print(valid_acc, len(valid_acc))

print(test_acc, len(test_acc))

正則化パラメータごとに各データの正答率をリストに格納していきます。


import matplotlib.pyplot as plt

plt.plot(x_axis, train_acc, label = 'Train')
plt.plot(x_axis, valid_acc, label = 'Valid')
plt.plot(x_axis, test_acc, label = 'Test')
plt.legend()
plt.show()

import matplotlib.pyplot as plt

plt.plot(x_axis, train_acc, label = 'Train')

plt.plot(x_axis, valid_acc, label = 'Valid')

plt.plot(x_axis, test_acc, label = 'Test')

plt.legend()

plt.show()

59. ハイパーパラメータの探索

学習アルゴリズムや学習パラメータを変えながら，カテゴリ分類モデルを学習せよ．検証データ上の正解率が最も高くなる学習アルゴリズム・パラメータを求めよ．また，その学習アルゴリズム・パラメータを用いたときの評価データ上の正解率を求めよ．


with open('./train.feature.txt', 'rb') as f1, open('./valid.feature.txt', 'rb') as f2:
    # データの取得
    train_x, train_t = getdata(f1)
    valid_x, valid_t = getdata(f2)
        
    # 学習
    lr = LogisticRegression(penalty='l2', C=2.4)
    lr.fit(train_x, train_t)
        
    # 評価
    out = lr.predict(valid_x)
    print(len([1 for i in range(len(out)) if out[i] == valid_t[i]]) / len(out))

with open('./train.feature.txt', 'rb') as f1, open('./valid.feature.txt', 'rb') as f2:

# データの取得

train_x, train_t = getdata(f1)

valid_x, valid_t = getdata(f2)

# 学習

lr = LogisticRegression(penalty='l2', C=2.4)

lr.fit(train_x, train_t)

# 評価

out = lr.predict(valid_x)

print(len([1 for i in range(len(out)) if out[i] == valid_t[i]]) / len(out))

これはキリがなさそうなので58でグラフにプロットした中から良さそうな正則化パラメータを入れるだけにしました。


0.9168539325842696

0.9168539325842696

一応少しだけ正答率が上がっていますね。

おわりに

何か不明点や間違いなどがございましたら、気軽にコメントを残してくれるとありがたいです。

ありがとうございました。

【2020年版】言語処理100本ノック第6章を解いてみた

機械学習

50. データの入手・整形

51. 特徴量抽出

52. 学習

53. 予測

54. 正解率の計測

55. 混同行列の作成

56. 適合率，再現率，F1スコアの計測

57. 特徴量の重みの確認

58. 正則化パラメータの変更

59. ハイパーパラメータの探索

おわりに

【2020年版】言語処理100本ノック第7章を解いてみた

Encoder-decoderモデルにおけるビームサーチ

【2020年版】言語処理100本ノック第4章を解いてみた

【C言語】低レベル入出力関数（open, close, read, write, lseek）とは？

基本情報と応用情報、どっちが重要で先にとるべき？

【C言語】プロセス生成に関する関数（fork, exec, exit, wait）を使ってみよう！！

BootstrapとJavascriptを使用したページネーションのサンプル

【Web】phpで簡単な会員登録を実装しよう！！『1.概要説明』

機械学習

50. データの入手・整形

51. 特徴量抽出

52. 学習

53. 予測

54. 正解率の計測

55. 混同行列の作成

56. 適合率，再現率，F1スコアの計測

57. 特徴量の重みの確認

58. 正則化パラメータの変更

59. ハイパーパラメータの探索

おわりに

【2020年版】言語処理100本ノック 第7章を解いてみた

Encoder-decoderモデルにおけるビームサーチ

【2020年版】言語処理100本ノック 第4章を解いてみた

【C言語】低レベル入出力関数（open, close, read, write, lseek）とは？

基本情報と応用情報、どっちが重要で先にとるべき？

【C言語】プロセス生成に関する関数（fork, exec, exit, wait）を使ってみよう！！

BootstrapとJavascriptを使用したページネーションのサンプル

【Web】phpで簡単な会員登録を実装しよう！！『1.概要説明』

【2020年版】言語処理100本ノック第7章を解いてみた

【2020年版】言語処理100本ノック第4章を解いてみた