Python |使用 NLTK 进行姓名性别识别
自然语言工具包(NLTK) 是一个用于构建文本分析程序的平台。我们可以观察到男性和女性的名字有一些鲜明的特点。以 a、e 和 I 结尾的名字很可能是女性，而以 k、o、r、s 和 t 结尾的名字很可能是男性。让我们构建一个分类器来更精确地模拟这些差异。
为了运行下面的 python 程序，您必须安装 NLTK。请遵循安装步骤。
pip install nltk
创建分类器的第一步是决定输入的哪些特征是相关的，以及如何编码这些特征。对于这个例子，我们将从查看给定名称的最后一个字母开始。下面的特征提取函数构建了一个包含给定名称相关信息的字典。
示例:
Input : gender_features('saurabh')
Output : {'last_letter': 'h'}
def gender_features(word):
return {'last_letter': word[-1]}
gender_features('mahavir')
# output : {'last_letter': 'r'}
将弹出一个图形用户界面，然后选择下载所有软件包的“全部”，然后单击“下载”。这将为您提供所有的标记器、分块器、其他算法和所有的语料库，所以这就是为什么安装将花费相当长的时间。
nltk.download()
分类是为给定输入选择正确类别标签的任务。在基本分类任务中，每个输入都被认为与所有其他输入隔离，并且标签集是预先定义的。分类任务的一些例子有:
- 决定一封邮件是否是垃圾邮件。
- 从“体育”、“科技”和“政治”等固定的主题领域列表中决定新闻文章的主题
- 决定一个给定的词“银行”是用来指河岸、金融机构、向一侧倾斜的行为，还是指在金融机构中存放某物的行为。
基本分类任务有许多有趣的变体。例如，在多类分类中，每个实例可以被分配多个标签；在开放类分类中，标签集没有预先定义；在序列分类中，输入列表被联合分类。
如果一个分类器是基于包含每个输入的正确标签的训练语料库构建的，则称之为监督的。监督分类使用的框架如图所示。
训练集用于训练模型，开发测试集用于进行误差分析。该测试集用于我们对系统的最终评估。由于下面讨论的原因，我们使用一个单独的开发测试集来进行错误分析是很重要的，而不仅仅是使用测试集。
语料库数据划分为不同子集如下图所示:
从这里获取所用文本文件的链接–
- 直接通过文本 URL。男. txt女. txt
male.txt和female.txt文件自动下载，同时nltk.download()方法成功执行。本地系统中的路径: nltk 的路径:C:\Users\currentUserName\AppData\Roamingnltk 内部文件的路径:\nltk_data\corpora\names
# importing libraries
import random
from nltk.corpus import names
import nltk
def gender_features(word):
return {'last_letter':word[-1]}
# preparing a list of examples and corresponding class labels.
labeled_names = ([(name, 'male') for name in names.words('male.txt')]+
[(name, 'female') for name in names.words('female.txt')])
random.shuffle(labeled_names)
# we use the feature extractor to process the names data.
featuresets = [(gender_features(n), gender)
for (n, gender)in labeled_names]
# Divide the resulting list of feature
# sets into a training set and a test set.
train_set, test_set = featuresets[500:], featuresets[:500]
# The training set is used to
# train a new "naive Bayes" classifier.
classifier = nltk.NaiveBayesClassifier.train(train_set)
print(classifier.classify(gender_features('mahavir')))
# output should be 'male'
print(nltk.classify.accuracy(classifier, train_set))
# it shows accurancy of our classifier and
# train_set. which must be more than 99 %
# classifier.show_most_informative_features(10)
从分类器获取信息特征:
classifier.show_most_informative_features(10)
# 10 indicates 10 rows
输出:
版权属于：月萌API www.moonapi.com，转载请注明出处
