如何使用 LSTM 进行文本分类

Question

我正在使用 LSTM 模型进行文本分类，我在验证数据中获得了 98% 的准确率，但是当我提交时它得到 0 分，请帮助我怎么做，我是 NLP 的初学者。 我有这样的数据

train.head()
    id  category    text
0   959 0   5573 1189 4017 1207 4768 8542 17 1189 5085 5773
1   994 0   6315 7507 6700 4742 1944 2692 3647 4413 6700
2   995 0   5015 8067 5335 1615 7957 5773
3   996 0   2925 7199 1994 4647 7455 5773 4518 2734 2807 8...
4   997 0   7136 1207 6781 237 4971 3669 6193

我在这里应用分词器：

from keras.preprocessing.text import Tokenizer
max_features = 1000
tokenizer = Tokenizer(num_words=max_features)
tokenizer.fit_on_texts(list(X_train))
X_train = tokenizer.texts_to_sequences(X_train)
X_test = tokenizer.texts_to_sequences(X_test)

我在这里应用序列填充：

from keras.preprocessing import sequence
max_words = 30
X_train = sequence.pad_sequences(X_train, maxlen=max_words)
X_test = sequence.pad_sequences(X_test, maxlen=max_words)
print(X_train.shape,X_test.shape)

这是我的模型：

batch_size = 64
epochs = 5

max_features = 1000
embed_dim = 100
num_classes = train['category'].nunique()
  model = Sequential()
    model.add(Embedding(max_features, embed_dim, input_length=X_train.shape[1]))
    model.add(Conv1D(filters=32, kernel_size=3, padding='same', activation='relu'))
    model.add(MaxPooling1D(pool_size=2))
    model.add(Conv1D(filters=32, kernel_size=3, padding='same', activation='relu'))
    model.add(MaxPooling1D(pool_size=2))    
    model.add(LSTM(100, dropout=0.2))
    model.add(Dense(num_classes, activation='sigmoid'))
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())
Layer (type)                 Output Shape              Param #   
=================================================================
embedding_2 (Embedding)      (None, 30, 100)           100000    
_________________________________________________________________
conv1d_3 (Conv1D)            (None, 30, 32)            9632      
_________________________________________________________________
max_pooling1d_3 (MaxPooling1 (None, 15, 32)            0         
_________________________________________________________________
conv1d_4 (Conv1D)            (None, 15, 32)            3104      
_________________________________________________________________
max_pooling1d_4 (MaxPooling1 (None, 7, 32)             0         
_________________________________________________________________
lstm_2 (LSTM)                (None, 100)               53200     
_________________________________________________________________
dense_2 (Dense)              (None, 2)                 202       
=================================================================
Total params: 166,138
Trainable params: 166,138
Non-trainable params: 0
_________________________________________________________________
None

这是我的时代：

model_history = model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=epochs, batch_size=batch_size, verbose=1)

Train on 2771 samples, validate on 693 samples
Epoch 1/5
2771/2771 [==============================] - 2s 619us/step - loss: 0.2816 - acc: 0.9590 - val_loss: 0.1340 - val_acc: 0.9668
Epoch 2/5
2771/2771 [==============================] - 1s 238us/step - loss: 0.1194 - acc: 0.9664 - val_loss: 0.0809 - val_acc: 0.9668
Epoch 3/5
2771/2771 [==============================] - 1s 244us/step - loss: 0.0434 - acc: 0.9843 - val_loss: 0.0258 - val_acc: 0.9899
Epoch 4/5
2771/2771 [==============================] - 1s 236us/step - loss: 0.0150 - acc: 0.9958 - val_loss: 0.0423 - val_acc: 0.9899
Epoch 5/5
2771/2771 [==============================] - 1s 250us/step - loss: 0.0064 - acc: 0.9984 - val_loss: 0.0532 - val_acc: 0.9899

在我将预测功能应用于测试数据之后： 我的提交文件是这样的：

   submission.head()





  id    category
0   3729    0.999434
1   3732    0.999128
2   3761    0.999358
3   5       0.996779
4   7       0.998702

我的实际提交文件是这样的：

submission.head()
    id         category
0   3729    1
1   3732    1
2   3761    1
3   5       1
4   7       1

Answer 1

看来您需要将结果转换回文字！当您进行标记和填充时，这会将单词变成数字。你只需要把它们改回来！例如：

transformed_category = []
for cat in submission['category']:
   transformed_category.append(tokenizer.word_index(cat))

为了教育......它这样做是因为数学不能真正在字符串上执行——至少，不像用数字那样容易。因此，任何时候你的神经网络中有文本，都需要在输入网络之前将它们转换为数字表示。 Vectorizers（你的分词器所做的）和“one-hot”或“categorical”是最常用的方法。无论哪种情况，一旦您将结果从网络中取回，您就可以将它们重新转化为人类的文字。 :)

在 cmets 之后编辑

嗨！所以，是的，我正在歪斜地看柱子。您得到的值为 1（或非常接近），因为 sigmoid 只能在 0 和 1 之间进行选择，但是看起来您想要这样，因为您的损失是 binary_crossentropy。使用 sigmoid 激活，大值将渐近接近 1。所以我想说你需要重新考虑你的输出层。看起来您正在发送数字数组，并且看起来您想要得到一个范围超过 0 到 1 的类别，因此考虑将您的 Y 数据转换为 categoricals，使用 softmax 作为最终输出激活，并将您的损失更改为categorical_crossentropy