Наивный Байес в Quanteda vs caret: совершенно разные результаты

Я пытаюсь использовать пакеты quanteda а также caret вместе, чтобы классифицировать текст на основе обученного образца. В качестве теста я хотел сравнить встроенный наивный байесовский классификатор quanteda с теми, в caret, Тем не менее, я не могу получить caret работать правильно.

Вот код для воспроизведения. Сначала на quanteda боковая сторона:

library(quanteda)
library(quanteda.corpora)
library(caret)
corp <- data_corpus_movies
set.seed(300)
id_train <- sample(docnames(corp), size = 1500, replace = FALSE)

# get training set
training_dfm <- corpus_subset(corp, docnames(corp) %in% id_train) %>%
  dfm(stem = TRUE)

# get test set (documents not in id_train, make features equal)
test_dfm <- corpus_subset(corp, !docnames(corp) %in% id_train) %>%
  dfm(stem = TRUE) %>% 
  dfm_select(pattern = training_dfm, 
             selection = "keep")

# train model on sentiment
nb_quanteda <- textmodel_nb(training_dfm, docvars(training_dfm, "Sentiment"))

# predict and evaluate
actual_class <- docvars(test_dfm, "Sentiment")
predicted_class <- predict(nb_quanteda, newdata = test_dfm)
class_table_quanteda <- table(actual_class, predicted_class)
class_table_quanteda
#>             predicted_class
#> actual_class neg pos
#>          neg 202  47
#>          pos  49 202

Неплохо. Точность составляет 80,8% без настройки. Теперь то же самое (насколько я знаю) в caret

training_m <- convert(training_dfm, to = "matrix")
test_m <- convert(test_dfm, to = "matrix")
nb_caret <- train(x = training_m,
                  y = as.factor(docvars(training_dfm, "Sentiment")),
                  method = "naive_bayes",
                  trControl = trainControl(method = "none"),
                  tuneGrid = data.frame(laplace = 1,
                                        usekernel = FALSE,
                                        adjust = FALSE),
                  verbose = TRUE)

predicted_class_caret <- predict(nb_caret, newdata = test_m)
class_table_caret <- table(actual_class, predicted_class_caret)
class_table_caret
#>             predicted_class_caret
#> actual_class neg pos
#>          neg 246   3
#>          pos 249   2

Точность здесь не только плачевна (49,6% - примерно вероятность), но и почти не предсказывают класс pos! Так что я почти уверен, что упускаю что-то важное здесь, поскольку я предполагаю, что реализации должны быть довольно похожими, но не уверен, что именно.

Я уже посмотрел на исходный код для quanteda функция (надеясь, что она может быть построена на caret или базовый пакет в любом случае) и увидел, что происходит некоторое взвешивание и сглаживание. Если я применяю то же самое к моему dfm перед тренировкой (настройка laplace = 0 позже) точность немного лучше. Еще и только 53%.

Источник

1 ответ

Решение

Ответ в том, что каретка (которая использует naive_bayes из пакета naivebayes) предполагает гауссово распределение, тогда как quanteda::textmodel_nb() основывается на более подходящем для текста многочленовом распределении (с возможностью распределения Бернулли также).

Документация для textmodel_nb() повторяет пример из книги IIR (Мэннинг, Рагхаван и Шютце 2008), а также приведен еще один пример из Jurafsky and Martin (2018). Увидеть:

  • Мэннинг, Кристофер Д., Прабхакар Рагхаван и Генрих Шютце. 2008. Введение в поиск информации. Издательство Кембриджского университета (глава 13). https://nlp.stanford.edu/IR-book/pdf/irbookonlinereading.pdf

  • Юрафски, Даниэль и Джеймс Х. Мартин. 2018. Обработка речи и языка. Введение в обработку естественного языка, компьютерную лингвистику и распознавание речи. Проект 3-го издания от 23 сентября 2018 года (глава 4). https://web.stanford.edu/~jurafsky/slp3/4.pdf

Другой пакет, e1071, дает те же результаты, которые вы нашли, поскольку он также основан на распределении Гаусса.

library("e1071")
nb_e1071 <- naiveBayes(x = training_m,
                       y = as.factor(docvars(training_dfm, "Sentiment")))
nb_e1071_pred <- predict(nb_e1071, newdata = test_m)
table(actual_class, nb_e1071_pred)
##             nb_e1071_pred
## actual_class neg pos
##          neg 246   3
##          pos 249   2

Однако и карета, и e1071 работают на плотных матрицах, что является одной из причин, по которой они настолько ошеломительно медленны по сравнению с квантовым подходом, который работает с разреженной dfm. Таким образом, с точки зрения соответствия, эффективности и (в соответствии с вашими результатами) эффективности классификатора, должно быть достаточно ясно, какой из них предпочтительнее!

library("rbenchmark")
benchmark(
    quanteda = { 
        nb_quanteda <- textmodel_nb(training_dfm, docvars(training_dfm, "Sentiment"))
        predicted_class <- predict(nb_quanteda, newdata = test_dfm)
    },
    caret = {
        nb_caret <- train(x = training_m,
                          y = as.factor(docvars(training_dfm, "Sentiment")),
                          method = "naive_bayes",
                          trControl = trainControl(method = "none"),
                          tuneGrid = data.frame(laplace = 1,
                                                usekernel = FALSE,
                                                adjust = FALSE),
                          verbose = FALSE)
        predicted_class_caret <- predict(nb_caret, newdata = test_m)
    },
    e1071 = {
        nb_e1071 <- naiveBayes(x = training_m,
                       y = as.factor(docvars(training_dfm, "Sentiment")))
        nb_e1071_pred <- predict(nb_e1071, newdata = test_m)
    },
    replications = 1
)
##       test replications elapsed relative user.self sys.self user.child sys.child
## 2    caret            1  29.042  123.583    25.896    3.095          0         0
## 3    e1071            1 217.177  924.157   215.587    1.169          0         0
## 1 quanteda            1   0.235    1.000     0.213    0.023          0         0
Источник

Приведенный выше ответ верен, я просто хотел добавить, что вы можете использовать дистрибутив Бернулли с пакетами "naivebayes" и "e1071", превратив ваши переменные в факторы. Их выходные данные должны соответствовать textmodel_nb 'quanteda' с распределением Бернулли.

Кроме того, вы можете проверить: https://cran.r-project.org/web/packages/fastNaiveBayes/index.html. Это реализует распределение Бернулли, Мультивиномов и Гаусса, работает с разреженными матрицами и является невероятно быстрым (самый быстрый в настоящее время на CRAN).

Источник
Другие вопросы по тегам