跟Kaggle大神17枚金牌得主学NLP实战

---

  新智元推荐  

来源：图灵TOPIA

作者：Dean Sublett

编译：安然

整理编辑：元子

【新智元导读】本文作者Dean Sublett是Kaggle大神Abhishek Thakur的迷弟，通过学习Abhishek的相关教程受益良多，因此，近期他在medium上撰文对相关自然语言处理的知识做了梳理总结。

本文作者Dean Sublett是Kaggle大神Abhishek Thakur的迷弟，通过学习Abhishek的相关教程受益良多，因此，近期他在medium上撰文对相关自然语言处理的知识做了梳理总结。

提起Abhishek Thakur，很多kaggler对他都非常熟悉，2017年，他在 Linkedin 发表了一篇名为Approaching (Almost) Any Machine Learning Problem的文章，介绍他建立的一个自动的机器学习框架，几乎可以解决任何机器学习问题，这篇文章曾火遍 Kaggle。

 

Abhishek在Kaggle上的成就：

• Competitions Grandmaster（17枚金牌，世界排名第3）
• Kernels Expert  （Kagglers排名前1％）
• Discussion Grandmaster（65枚金牌，世界排名第2）

目前，Abhishek在挪威boost公司担任首席数据科学家的职位，这是一家专门从事会话人工智能的软件公司。

以下是本文作者对Abhishek的NLP实战技术学习总结：

Abhishek的NLP方法

 

强烈建议在阅读本文的同时阅读kernel。想要更全面掌握NLP或数据科学，请确保自己写代码时，能理解Abhishek的每一行代码。我们的任务是确定测试集中每个句子的作者。

 

1.  研究数据并理解问题

 

导入必要的Python模块和数据之后，Abhishek调用数据上的head方法，查看前五行是什么样的。

由于Abhishek是专家，并且这是一个NLP问题，与涉及数值数据的问题相比，探索性数据分析EDA)是比较浅显的问题。

数据科学的新人会从更全面的EDA中收益。对数据进行深入的研究可以发现任何缺失的值，知道需要进行多少数据清理，并在问题的后期帮你做出建模决策。

 

Abhishek还提醒到，我们正在解决多类文本分类问题。他指出了Kaggle将用于评分提交的评估指标。

在这次竞赛中，Kaggle使用多分类的对数损失函数来衡量提交模型的性能。理想情况下，多类分类模型的对数损失函数为0。

 

2.  预处理

接下来，Abhishek使用scikit-learn中的LabelEncoder方法为每个作者分配一个整数值。

通过使用整数值（0,1,2）对作者列中值的文本标签进行编码，Abhishek使其分类模型更易于理解数据。

 

在对作者标签进行编码之后，Abhishek使用来自scikit-learn的train_test_split将数据分成训练和验证集。

他选择了90:10的训练/验证拆分（Python数据科学中最常用的拆分通常为70:30到80:20）。

因此，他打算在数据集中的90％的句子训练模型，然后他用剩余10％的数据评估模型的准确性。

 

3.  建模

 

在创建第一个模型前，Abhishek在数据上使用了TF-IDF（Term Frequency - reverse Document Frequency）。

TF-IDF将对文本列中的句子出现的单词赋予权重。

当我们试图确定一个特定的句子是由哪个作者写的，诸如“the”这样的词对于任何作者的分类都不重要，因为“the”经常出现并没有揭示很多信息，但是在对HP编写的句子进行分类时，像“Cthulhu”这样的词会非常重要。

因此，TF-IDF将在预测作者方面，能帮助我们理解哪些词是重要的。

 

对数据运行TF-IDF是一种特征提取形式。在这里，我们需要得出一些重要的数据预测或特征，来帮助我们找出一个特定的句子是由哪个作者写的。

有了TF-IDF，可以对单词的重要性进行统计测量，以帮助我们预测句子的作者。

 

在训练集和验证集上拟合TF-IDF之后，Abhishek准备了逻辑回归模型。如果对这种分类模型不熟悉，请先阅读本文。

在拟合逻辑回归模型之后，Abhishek计算了逻辑回归模型的对数损失(回想一下，他在kernel运行初始就编写了多分类对数损失函数)。

对于逻辑回归模型，多分类对数损失函数返回对数损失值0.626。虽然拟合TF-IDF和逻辑回归模型为我们提供了一个良好的开端，但是我们可以改进这个对数损失得分。

 

4.  模型调整

 

我们不满意0.626的对数损失得分，希望优化此项评估指标。从这里开始，我们可以采取多种途径，而这正是Abhishek所做的。

在对数据进行探索和预处理之后，我们留下了许多不同的特征提取和模型拟合的组合。

例如，Abhishek使用字数来进行特征提取而不是TF-IDF。

通过这种特征提取技术，他的逻辑回归模型的对数损失得分从0.626提高到0.528 ，这是高达0.098的改进！

 

总结

 

从这一点开始，Abhishek的内核越来越详细，因此，我将让他解释其他分类模型。

 

这是我们讨论的内容：

 

EDA：如果我们想要了解数据集，探索性数据分析是至关重要的，当我们开始构建模型时，EDA可以节省我们的时间。

 

多类别分类问题：这类问题要求我们预测观察属于哪个类别，每个观察可能属于三个或更多类别中的任何一个类别

 

预处理:在构建任何模型之前，必须对数据进行预处理。在这个例子中，为了我们的模型，需要使用LabelEndcoder将文本标签转换成整数值

 

特征提取:无论何时我们有原始数据集(在我们的示例中是句子摘录)，我们都需要派生一些预测器，来帮助我们对观察进行分类。Abhishek向我们展示了如何使用TF-IDF和字数统计。

 

以下是本文中提到的所有Abhishek代码

参考链接：

https://towardsdatascience.com/what-i-learned-from-abhishek-thakur-4b905ac0fd55

本文授权转载自图灵TOPIA（turingtopia）