Quanteda 与插入符号中的朴素贝叶斯：截然不同的结果

Question

我正在尝试将包 quanteda 和 caret 一起使用，以根据经过训练的样本 class 化文本。作为测试运行，我想比较 quanteda 的内置朴素贝叶斯 classifier 和 caret 中的朴素贝叶斯 classifier。但是，我似乎无法让 caret 正常工作。

这里是一些复制代码。首先在 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

不错。在没有调整的情况下，准确率为 80.8%。现在 caret

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

不仅这里的准确率很低（49.6% - 大致概率），pos class 几乎从未被预测过！所以我很确定我在这里遗漏了一些重要的东西，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（希望它可能构建在 caret 或底层包上）并看到正在进行一些加权和平滑.如果我在训练前对我的 dfm 应用相同的方法（稍后设置 laplace = 0），准确性会好一点。然而也只有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() 基于更适合文本的多项式分布（也可选择伯努利分布）。

textmodel_nb() 的文档复制了 IIR 书中的示例（Manning、Raghavan 和 Schütze 2008）以及 Jurafsky 和 Martin (2018) 的进一步示例也被引用。参见：

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
Jurafsky、Daniel 和 James H. Martin。 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 产生与您发现的相同的结果，因为它也是基于高斯分布。

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 都在密集矩阵上工作，这就是它们与 quanteda 在稀疏 dfm 上运行的方法。所以从适当性、效率和（根据你的结果）分类器的性能的角度来看，应该很清楚哪一个是首选！

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

Answer 2

上面的答案是正确的，我只是想补充一点，您可以通过将变量转换为因子来将伯努利分布与 'naivebayes' 和 'e1071' 包一起使用。这些的输出应该匹配 'quanteda' textmodel_nb 与伯努利分布。

此外，您可以查看：https://cran.r-project.org/web/packages/fastNaiveBayes/index.html。这实现了伯努利、多项式和高斯分布，适用于稀疏矩阵并且速度非常快（目前在 CRAN 上最快）。

Quanteda 与插入符号中的朴素贝叶斯：截然不同的结果

Naive Bayes in Quanteda vs caret: wildly different results

r

r-caret

text-classification

supervised-learning

quanteda