stop_words = get_stop_words('fr')
stop_words.extend(ADDITIONAL_STOP_WORDS)
# Un HashingVectorizer découpe un texte en une liste de mots, et renvoie une matrice où chaque ligne correspond à
# un document et chaque colonne à un mot
# doc : http://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.HashingVectorizer.html
hasher = HashingVectorizer(strip_accents='unicode',
stop_words=stop_words,
norm=None)
# Le HashingVectorizer ne permet pas la stemmisation des mots durant le processus de tokenisation.
# On va donc lui dire de le faire quand même.
# Pour cela, on récupère sa fonction de tokenisation, que l'on va améliorer, puis lui réinjecter:
original_tokenizer = hasher.build_tokenizer(
) # recuperation de la fonction de tokenisation
stemmer = SnowballStemmer("french", ignore_stopwords=True)
def new_tokenizer(text):
words = original_tokenizer(text)
stemmed_words = [stemmer.stem(w) for w in words]
return stemmed_words
hasher = HashingVectorizer(
tokenizer=
new_tokenizer, # création d'un nouveau hasher avec injection de notre tokenizer amélioré
strip_accents='unicode',
stop_words=stop_words,
norm=None)
# Un pipeline est juste une liste dans laquelle on place différents processeurs.
yield doc
###############################################################################
# Main
# ----
#
# Create the vectorizer and limit the number of features to a reasonable
# maximum
N_FEATURES = 2 ** 18
vectorizer = HashingVectorizer(decode_error='ignore', n_features=N_FEATURES,
non_negative=True)
tokenizer = vectorizer.build_tokenizer()
preprocessor = vectorizer.build_preprocessor()
stop_words = vectorizer.get_stop_words()
def tokenize(text):
return vectorizer._word_ngrams(tokenizer(preprocessor(vectorizer.decode(text))), stop_words)
# Iterator over parsed Reuters SGML files.
data_stream = stream_reuters_documents()
# We learn a binary classification between the "acq" class and all the others.
# "acq" was chosen as it is more or less evenly distributed in the Reuters
# files. For other datasets, one should take care of creating a test set with
# a realistic portion of positive instances.