MLP로 텍스트 분류

케라스의 texts_to_matrix()이해하기

import numpy as np
from tensorflow.keras.preprocessing.text import Tokenizer

texts = ['먹고 싶은 사과', '먹고 싶은 바나나', '길고 노란 바나나 바나나', '저는 과일이 좋아요']
#정수 인코딩
tokenizer = Tokenizer()
tokenizer.fit_on_texts(texts) #texts 정수 인코딩 후 빈도수가 높은 순대로 정렬
print(tokenizer.word_index)

#입력된 텍스트 데이터로부터 행렬을 만든다.
#0열은 기본으로 0으로 삽입, 1행은 인덱스 1(바나나), 2행은 인덱스 2(먹고)...
print(tokenizer.texts_to_matrix(texts, mode = 'count')) #입력된 텍스트 데이터로부터 행렬을 만든다.

 

#테스트 데이터에서 이메일 본문을 보고 20개의 주제 중 어떤 주제인지 맞추기
import pandas as pd
from sklearn.datasets import fetch_20newsgroups
import matplotlib.pyplot as plt
from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.utils import to_categorical

#train대신 all을 넣으면 18846개를 모두 다운로드
newsdata = fetch_20newsgroups(subset = 'train') #train을 기재하면 훈련 데이터만 리턴
print(newsdata.keys())
print('훈련용 샘플의 수 : {}'.format(len(newsdata.data)))
print('총 주제의 개수 : {}'.format(len(newsdata.target_names)))
print(newsdata.target_names)
print('첫번째 샘플의 레이블 : {}'.format(newsdata.target[0])) #7
print('7번 레이블이 의미하는 주제 : {}'.format(newsdata.target_names[7]))
print(newsdata.data[0]) #7번 레이블이고, 7번 레이블은 rec.autos란 주제를 가지고 있음. data로 메일 본문 확인

#데이터에 대한 통계적인 정보 확인
#email과 target 2개 열로 구성된 데이터 프레임 생성
data = pd.DataFrame(newsdata.data, columns = ['email'])
data['target'] = pd.Series(newsdata.target)
data[:5]
data.info() #email 열은 문자열, target은 정수형 데이터

#데이터에 대한 통계적인 정보 확인
#email과 target 2개 열로 구성된 데이터 프레임 생성
data = pd.DataFrame(newsdata.data, columns = ['email'])
data['target'] = pd.Series(newsdata.target)
data[:5]
data.info() #email 열은 문자열, target은 정수형 데이터

data['target'].value_counts().plot(kind='bar')
#10번 레이블의 수가 가장 많고, 19번 레이블의 수가 가장 적다.

print(data.groupby('target').size().reset_index(name='count')) #각 레이블이 몇개 있는지 확인

#데이터프레임으로부터 메일 본문과 레이블을 분리하고 테스트 데이터 불러오기
newsdata_test = fetch_20newsgroups(subset='test',shuffle=True)
train_email = data['email']
train_label = data['target']
test_email = newsdata_test.data
test_label = newsdata_test.target

vocab_size = 10000 #최대 단어 개수
num_classes = 20

def prepare_data(train_data,test_data,mode):  #전처리 함수, 토큰화 수행, 사용자가 지정한 모드로 texts_to_matrix 수행
    tokenizer = Tokenizer(num_words = vocab_size)  #vocab_size만큼만 단어 사용
    tokenizer.fit_on_texts(train_data)
    X_train = tokenizer.texts_to_matrix(train_data, mode=mode) # 훈련용으로 샘플수 * vocab_size 크기의 행렬 생성
    X_test = tokenizer.texts_to_matrix(test_data,mode=mode)    #테스트용으로 샘플수 * vacab_size 크기의 행렬 생성
    return X_train, X_test, tokenizer.index_word
    
X_train, X_test, index_to_word = prepare_data(train_email, test_email, 'binary')
y_train = to_categorical(train_label, num_classes)
y_test = to_categorical(test_label, num_classes)

print('훈련 샘플 본문의 크기 : {}'.format(X_train.shape))
print('훈련 샘플 레이블의 크기 : {}'.format(y_train.shape))
print('테스트 샘플 본문의 크기 : {}'.format(X_test.shape))
print('테스트 샘플 레이블의 크기 : {}'.format(y_test.shape))

print('빈도수 상위 1번 단어 : {}'.format(index_to_word[1]))
print('빈도수 상위 9999번 단어 : {}'.format(index_to_word[9999]))

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout

def fit_and_evaluate(X_train, y_train, X_test, y_test):
    model = Sequential()
    model.add(Dense(256, input_shape=(vocab_size,),activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(128,activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(num_classes, activation='softmax'))
    
    model.compile(loss='categorical_crossentropy', optimizer='adam',metrics=['accuracy'])
    model.fit(X_train, y_train, batch_size=128, epochs=5, verbose=1, validation_split=0.1)
    score=model.evaluate(X_test,y_test,batch_size=128,verbose=0)
    return score[1]
    
modes = ['binary','count','tfidf','freq']

for mode in modes:
    X_train, X_test,_ = prepare_data(train_email, test_email, mode)
    score = fit_and_evaluate(X_train, y_train, X_test, y_test)
    print(mode+' 모드의 정확도 : ',score)