r - Quanteda 中的朴素贝叶斯与插入符号 : wildly different results

Question

我正在尝试结合使用 quanteda 和 caret 包来根据训练样本对文本进行分类。作为测试运行，我想将 quanteda 的内置朴素贝叶斯分类器与 caret 中的分类器进行比较。但是，我似乎无法让 caret 正常工作。

这里是一些用于复制的代码。首先是 quanteda 方面:

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

还不错。无需调整，准确率为 80.8%。现在 caret 中的情况相同(据我所知)

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

不仅准确率非常低(49.6% - 大致是偶然)，而且 pos 类别几乎从未被预测过!所以我很确定我在这里遗漏了一些关键的东西，因为我认为实现应该非常相似，但不确定是什么。

我已经查看了 quanteda 函数的源代码(希望它可以构建在 caret 或底层包之上)，并发现有一些权重并进行平滑处理。如果我在训练前将相同的方法应用于我的 dfm(稍后设置 laplace = 0)，准确性会更好一些。但也只有 53%。

Answer 1

答案是 caret (使用 naivebayes 包中的 naive_bayes )假设高斯分布，而 quanteda::textmodel_nb() 则采用高斯分布。基于更适合文本的多项分布(也可以选择伯努利分布)。

textmodel_nb() 的文档复制了 IIR 书中的示例(Manning、Raghavan 和 Schütze 2008)，并且还引用了 Jurafsky 和 ​​Martin(2018)的进一步示例。请参阅:

• Manning、Christopher D.、Prabhakar Raghavan 和 Hinrich Schütze。 2008。信息检索简介。剑桥大学出版社(第 13 章)。 https://nlp.stanford.edu/IR-book/pdf/irbookonlinereading.pdf

• 尤拉夫斯基、丹尼尔和詹姆斯·H·马丁。 2018。语音和语言处理。自然语言处理、计算语言学和语音识别简介。第三版草案，2018 年 9 月 23 日(第 4 章)。 https://web.stanford.edu/~jurafsky/slp3/4.pdf

另一个包 e1071 产生的结果与您发现的结果相同，因为它也基于高斯分布。

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

然而，caret 和 e1071 都适用于稠密矩阵，这也是它们与 quanteda 方法相比慢得令人 NumPy 的原因之一它在稀疏 dfm 上运行。因此，从分类器的适当性、效率和(根据您的结果)性能的角度来看，应该非常清楚哪个是首选!

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