sport-text-classification-ball/mian_wieksze copy.py
2024-05-28 00:07:12 +02:00

151 lines
4.5 KiB
Python

import nltk
import pandas as pd
from sklearn.neural_network import MLPClassifier
from nltk.tokenize import word_tokenize
from gensim.models import Word2Vec
import numpy as np
nltk.download('punkt')
# w pliku train.tsv w kolumnach 25706, 58881, 73761 trzeba zamienic w tekscie tabulator na 4 spacje
train = pd.read_csv('train/train.tsv', sep='\t', names=['y', 'x'], header=None)
print(train["y"][0], train["x"][0])
# https://www.geeksforgeeks.org/python-word-embedding-using-word2vec/
slowa_train = []
for tekst in train["x"]:
pom = []
for slowo in word_tokenize(tekst):
pom.append(slowo.lower())
slowa_train.append(pom)
print(slowa_train[0])
# https://radimrehurek.com/gensim/models/word2vec.html
model = Word2Vec(sentences=slowa_train, vector_size=100, window=5, min_count=1, workers=4)
model.save("word2vec.model")
wektor = model.wv['przyjmujący']
print(wektor)
podobne = model.wv.most_similar('przyjmujący', topn=5)
print(podobne)
teksty = []
for tekst in train["x"]:
pom = None
for slowo in word_tokenize(tekst):
wektor = model.wv[slowo.lower()]
if pom is None:
pom = wektor
else:
pom = np.concatenate((pom,wektor))
teksty.append(pom)
print(teksty[0].shape)
#print(teksty[0])
liczba_wejscia = 1000#0
poprawione_teksty = []
for wektor in teksty:
if len(wektor)>liczba_wejscia:
poprawione_teksty.append(wektor[:liczba_wejscia])
else:
poprawione_teksty.append(np.pad(wektor,(0,liczba_wejscia-len(wektor)), mode='constant', constant_values=0))
print(poprawione_teksty[0].shape)
#print(poprawione_teksty[0])
print(train["y"].to_numpy())
X = poprawione_teksty
y = train["y"].to_numpy()
clf = MLPClassifier() # activation="tanh"
clf.fit(X, y)
# w pliku in.tsv w kolumnach 1983, 5199 trzeba zamienic w tekscie tabulator na 4 spacje
dev_in = pd.read_csv('dev-0/in.tsv', sep='\t', names=['x'], header=None)
print(dev_in["x"][0])
dev_expected = pd.read_csv('dev-0/expected.tsv', sep='\t', names=['y'], header=None)
print(dev_expected["y"][0])
teksty_dev= []
for tekst in dev_in["x"]:
pom = None
for slowo in word_tokenize(tekst):
wektor = None
try:
wektor = model.wv[slowo.lower()]
except KeyError:
pass
if wektor is not None:
if pom is None:
pom = wektor
else:
pom = np.concatenate((pom,wektor))
teksty_dev.append(pom)
print(teksty_dev[0].shape)
#print(teksty_dev[0])
poprawione_teksty_dev = []
for wektor in teksty_dev:
if len(wektor)>liczba_wejscia:
poprawione_teksty_dev.append(wektor[:liczba_wejscia])
else:
poprawione_teksty_dev.append(np.pad(wektor,(0,liczba_wejscia-len(wektor)), mode='constant', constant_values=0))
print(poprawione_teksty_dev[0].shape)
#print(poprawione_teksty_dev[0])
przewidywania_dev = clf.predict(poprawione_teksty_dev)
print(przewidywania_dev)
with open("dev-0/out.tsv", "w", encoding="utf-8") as uwu:
for p in przewidywania_dev:
uwu.write(str(p)+"\n")
mianownik = 0
licznik=0
for e,o in zip(dev_expected["y"].to_list(),przewidywania_dev):
mianownik +=1
if e==o:
licznik +=1
print(licznik,"/",mianownik,licznik/mianownik)
# w pliku in.tsv w kolumnach 1983, 5199 trzeba zamienic w tekscie tabulator na 4 spacje
test = pd.read_csv('test-A/in.tsv', sep='\t', names=['x'], header=None)
print(test["x"][0])
teksty_test = []
for tekst in test["x"]:
pom = None
for slowo in word_tokenize(tekst):
wektor = None
try:
wektor = model.wv[slowo.lower()]
except KeyError:
pass
if wektor is not None:
if pom is None:
pom = wektor
else:
pom = np.concatenate((pom,wektor))
teksty_test.append(pom)
print(teksty_test[0].shape)
#print(teksty_test[0])
poprawione_teksty_test = []
for wektor in teksty_test:
if len(wektor)>liczba_wejscia:
poprawione_teksty_test.append(wektor[:liczba_wejscia])
else:
poprawione_teksty_test.append(np.pad(wektor,(0,liczba_wejscia-len(wektor)), mode='constant', constant_values=0))
print(poprawione_teksty_test[0].shape)
print(poprawione_teksty_test[0])
przewidywania = clf.predict(poprawione_teksty_test)
print(przewidywania)
with open("test-A/out.tsv", "w", encoding="utf-8") as uwu:
for p in przewidywania:
uwu.write(str(p)+"\n")