利用Python機器學習框架scikit-learn，我們自己做一個分類模型，對中文評論信息做情感分析。其中還會介紹中文停用詞的處理方法。

疑惑

前些日子，我在微信后臺收到了一則讀者的留言。

我一下子有些懵——這怎么還帶點播了呢？

但是旋即我醒悟過來，好像是我自己之前挖了個坑。

之前我寫過《 如何用Python從海量文本抽取主題？ 》一文，其中有這么一段：

為了演示的流暢，我們這里忽略了許多細節。很多內容使用的是預置默認參數，而且完全忽略了中文停用詞設置環節，因此“這個”、“如果”、“可能”、“就是”這樣的停用詞才會大搖大擺地出現在結果中。不過沒有關系，完成比完美重要得多。知道了問題所在，后面改進起來很容易。有機會我會寫文章介紹如何加入中文停用詞的去除環節。

根據“自己挖坑自己填”的法則，我決定把這一部分寫出來。

我可以使用偷懶的辦法。

例如在原先的教程里，更新中文停用詞處理部分，打個補丁。

但是，最近我發現，好像至今為止，我們的教程從來沒有介紹過如何用機器學習做情感分析。

你可能說，不對吧？

情感分析不是講過了嗎？老師你好像講過《 如何用Python做情感分析？ 》，《 如何用Python做輿情時間序列可視化？ 》和《 如何用Python和R對《權力的游戲》故事情節做情緒分析？ 》。

你記得真清楚，提出表揚。

但是請注意，之前這幾篇文章中，并沒有使用機器學習方法。我們只不過調用了第三方提供的文本情感分析工具而已。

但是問題來了，這些第三方工具是在別的數據集上面訓練出來的，未必適合你的應用場景。

例如有些情感分析工具更適合分析新聞，有的更善于處理微博數據……你拿過來，卻是要對店鋪評論信息做分析。

這就如同你自己筆記本電腦里的網頁瀏覽器，和圖書館電子閱覽室的網頁瀏覽器，可能類型、版本完全一樣。但是你用起自己的瀏覽器，就是比公用電腦上的舒服、高效——因為你已經根據偏好，對自己瀏覽器上的“書簽”、“密碼存儲”、“稍后閱讀”都做了個性化設置。

咱們這篇文章，就給你講講如何利用Python和機器學習，自己訓練模型，對中文評論數據做情感分類。

# 數據

我的一個學生，利用爬蟲抓取了大眾點評網站上的數萬條餐廳評論數據。

這些數據在爬取時，包含了豐富的元數據類型。

我從中抽取了評論文本和評星（1-5星），用于本文的演示。

從這些數據里，我們隨機篩選評星為1，2，4，5的，各500條評論數據。一共2000條。

為什么只甩下評星數量為3的沒有選擇？

你先思考10秒鐘，然后往下看，核對答案。

答案是這樣的：

因為我們只希望對情感做出（正和負）二元分類，4和5星可以看作正向情感，1和2是負向情感……3怎么算？

所以，為了避免這種邊界不清晰造成的混淆，咱們只好把標為3星的內容丟棄掉了。

整理好之后的評論數據，如下圖所示。

我已經把數據放到了演示文件夾壓縮包里面。后文會給你提供下載路徑。

模型

使用機器學習的時候，你會遇到模型的選擇問題。

例如，許多模型都可以用來處理分類問題。邏輯回歸、決策樹、SVM、樸素貝葉斯……具體到咱們的評論信息情感分類問題，該用哪一種呢？

幸好，Python上的機器學習工具包 scikit-learn 不僅給我們提供了方便的接口，供我們調用，而且還非常貼心地幫我們做了小抄（cheat-sheet）。

這張圖看似密密麻麻，非常混亂，實際上是一個非常好的迷宮指南。其中綠色的方框，是各種機器學習模型。而藍色的圓圈，是你做判斷的地方。

你看，咱們要處理類別問題，對吧？

順著往下看，會要求你判斷數據是否有標記。我們有啊。

繼續往下走，數據小于100K嗎？

考慮一下，我們的數據有2000條，小于這個閾值。

接下來問是不是文本數據？是啊。

于是路徑到了終點。

Scikit-learn告訴我們：用樸素貝葉斯模型好了。

小抄都做得如此照顧用戶需求，你對scikit-learn的品質應該有個預期了吧？如果你需要使用經典機器學習模型（你可以理解成深度學習之外的所有模型），我推薦你先嘗試scikit-learn 。

向量化

《 如何用Python從海量文本抽取主題？ 》一文里，我們講過自然語言處理時的向量化。

忘了？

沒關系。

子曰：

學而時習之，不亦樂乎？

這里咱們復習一下。

對自然語言文本做向量化（vectorization）的主要原因，是計算機看不懂自然語言。

計算機，顧名思義，就是用來算數的。文本對于它（至少到今天）沒有真正的意義。

但是自然語言的處理，是一個重要問題，也需要自動化的支持。因此人就得想辦法，讓機器能盡量理解和表示人類的語言。

假如這里有兩句話：

I love the game.

I hate the game.

那么我們就可以簡單粗暴地抽取出以下特征（其實就是把所有的單詞都羅列一遍）：

• I
• love
• hate
• the
• game

對每一句話，都分別計算特征出現個數。于是上面兩句話就轉換為以下表格：

按照句子為單位，從左到右讀數字，第一句表示為[1, 1, 0, 1, 1]，第二句就成了[1, 0, 1, 1, 1]。

這就叫向量化。

這個例子里面，特征的數量叫做維度。于是向量化之后的這兩句話，都有5個維度。

你一定要記住，此時機器依然不能理解兩句話的具體含義。但是它已經盡量在用一種有意義的方式來表達它們。

注意這里我們使用的，叫做“一袋子詞”（bag of words）模型。

下面這張圖（來自 _{https://goo.gl/2jJ9Kp} ），形象化表示出這個模型的含義。

一袋子詞模型不考慮詞語的出現順序，也不考慮詞語和前后詞語之間的連接。每個詞都被當作一個獨立的特征來看待。

你可能會問：“這樣不是很不精確嗎？充分考慮順序和上下文聯系，不是更好嗎？”

沒錯，你對文本的順序、結構考慮得越周全，模型可以獲得的信息就越多。

但是，凡事都有成本。只需要用基礎的排列組合知識，你就能計算出獨立考慮單詞，和考慮連續n個詞語（稱作 n-gram），造成的模型維度差異了。

為了簡單起見，咱們這里還是先用一袋子詞吧。有空我再給你講講……

打住，不能再挖坑了。

中文

上一節咱們介紹的，是自然語言向量化處理的通則。

處理中文的時候，要更加麻煩一些。

因為不同于英文、法文等拉丁語系文字，中文天然沒有空格作為詞語之間的分割符號。

我們要先將中文分割成空格連接的詞語。

例如把：

“我喜歡這個游戲”

變成：

“我 喜歡 這個 游戲”

這樣一來，就可以仿照英文句子的向量化，來做中文的向量化了。

你可能擔心計算機處理起中文的詞語，跟處理英文詞語有所不同。

這種擔心沒必要。

因為咱們前面講過，計算機其實連英文單詞也看不懂。

在它眼里，不論什么自然語言的詞匯，都只是某種特定組合的字符串而已。
不論處理中文還是英文，都需要處理的一種詞匯，叫做停用詞。

中文維基百科里，是這么定義停用詞的：

在信息檢索中，為節省存儲空間和提高搜索效率，在處理自然語言數據（或文本）之前或之后會自動過濾掉某些字或詞，這些字或詞即被稱為Stop Words(停用詞)。

咱們做的，不是信息檢索，而已文本分類。

對咱們來說，你不打算拿它做特征的單詞，就可以當作停用詞。

還是舉剛才英文的例子，下面兩句話：

I love the game.

I hate the game.

告訴我，哪些是停用詞？

直覺會告訴你，定冠詞 the 應該是。

沒錯，它是虛詞，沒有什么特殊意義。

它在哪兒出現，都是一個意思。

一段文字里，出現很多次定冠詞都很正常。把它和那些包含信息更豐富的詞匯（例如love, hate）放在一起統計，就容易干擾我們把握文本的特征。

所以，咱們把它當作停用詞，從特征里面剔除出去。

舉一反三，你會發現分詞后的中文語句：

“我 喜歡 這個 游戲”

其中的“這個”應該也是停用詞吧？

答對了！

要處理停用詞，怎么辦呢？當然你可以一個個手工來尋找，但是那顯然效率太低。

有的機構或者團隊處理過許多停用詞。他們會發現，某種語言里，停用詞是有規律的。

他們把常見的停用詞總結出來，匯集成表格。以后只需要查表格，做處理，就可以利用先前的經驗和知識，提升效率，節約時間。

在scikit-learn中，英語停用詞是自帶的。只需要指定語言為英文，機器會幫助你自動處理它們。

但是中文……

scikit-learn開發團隊里，大概缺少足夠多的中文使用者吧。

好消息是，你可以使用第三方共享的停用詞表。

這種停用詞表到哪里下載呢？

我已經幫你找到了 一個 github 項目 ，里面包含了4種停用詞表，來自哈工大、四川大學和百度等自然語言處理方面的權威單位。

這幾個停用詞表文件長度不同，內容也差異很大。為了演示的方便與一致性，咱們統一先用哈工大這個停用詞表吧。

我已經將其一并存儲到了演示目錄壓縮包中，供你下載。
# 環境

請你先到 這個網址 下載本教程配套的壓縮包。

下載后解壓，你會在生成的目錄里面看到以下4個文件。

下文中，我們會把這個目錄稱為“演示目錄”。

請一定注意記好它的位置哦。

要裝Python，最簡便辦法是安裝Anaconda套裝。

請到 這個網址 下載Anaconda的最新版本。

請選擇左側的 Python 3.6 版本下載安裝。

如果你需要具體的步驟指導，或者想知道Windows平臺如何安裝并運行Anaconda命令，請參考我為你準備的 視頻教程 。

打開終端，用cd命令進入演示目錄。如果你不了解具體使用方法，也可以參考 視頻教程 。
我們需要使用許多軟件包。如果每一個都手動安裝，會非常麻煩。

我幫你做了個虛擬環境的配置文件，叫做environment.yaml ，也放在演示目錄中。

請你首先執行以下命令：

conda env create -f environment.yaml

這樣，所需的軟件包就一次性安裝完畢了。

之后執行，

source activate datapy3

進入這個虛擬環境。

注意一定要執行下面這句：

python -m ipykernel install --user --name=datapy3

只有這樣，當前的Python環境才會作為核心（kernel）在系統中注冊。
確認你的電腦上已經安裝了 Google Chrome 瀏覽器。如果沒有安裝請到這里 下載 安裝。

之后，在演示目錄中，我們執行：

jupyter notebook

Google Chrome會開啟，并啟動 Jupyter 筆記本界面：

你可以直接點擊文件列表中的demo.ipynb文件，可以看到本教程的全部示例代碼。

你可以一邊看教程的講解，一邊依次執行這些代碼。

但是，我建議的方法，是回到主界面下，新建一個新的空白 Python 3 （顯示名稱為datapy3的那個）筆記本。

請跟著教程，一個個字符輸入相應的內容。這可以幫助你更為深刻地理解代碼的含義，更高效地把技能內化。

準備工作結束，下面我們開始正式輸入代碼。

代碼

我們讀入數據框處理工具pandas。

import pandas as pd

利用pandas的csv讀取功能，把數據讀入。

注意為了與Excel和系統環境設置的兼容性，該csv數據文件采用的編碼為GB18030。這里需要顯式指定，否則會報錯。

df = pd.read_csv('data.csv', encoding='gb18030')

我們看看讀入是否正確。

df.head()

前5行內容如下：

看看數據框整體的形狀是怎么樣的：

df.shape

(2000, 2)

我們的數據一共2000行，2列。完整讀入。

我們并不準備把情感分析的結果分成4個類別。我們只打算分成正向和負向。

這里我們用一個無名函數來把評星數量>3的，當成正向情感，取值為1；反之視作負向情感，取值為0。

def make_label(df):
    df["sentiment"] = df["star"].apply(lambda x: 1 if x>3 else 0)

編制好函數之后，我們實際運行在數據框上面。

make_label(df)

看看結果：

df.head()

從前5行看來，情感取值就是根據我們設定的規則，從評星數量轉化而來。

下面我們把特征和標簽拆開。

X = df[['comment']]
y = df.sentiment

X 是我們的全部特征。因為我們只用文本判斷情感，所以X實際上只有1列。

X.shape

(2000, 1)

而y是對應的標記數據。它也是只有1列。

y.shape

(2000,)

我們來看看 X 的前幾行數據。

X.head()

注意這里評論數據還是原始信息。詞語沒有進行拆分。

為了做特征向量化，下面我們利用結巴分詞工具來拆分句子為詞語。

import jieba

我們建立一個輔助函數，把結巴分詞的結果用空格連接。

這樣分詞后的結果就如同一個英文句子一樣，單次之間依靠空格分割。

def chinese_word_cut(mytext):
    return " ".join(jieba.cut(mytext))

有了這個函數，我們就可以使用 apply 命令，把每一行的評論數據都進行分詞。

X['cutted_comment'] = X.comment.apply(chinese_word_cut)

我們看看分詞后的效果：

X.cutted_comment[:5]

單詞和標點之間都用空格分割，符合我們的要求。

下面就是機器學習的常規步驟了：我們需要把數據分成訓練集和測試集。

為什么要拆分數據集合？

在《貸還是不貸：如何用Python和機器學習幫你決策？》一文中，我已解釋過，這里復習一下：

如果期末考試之前，老師給你一套試題和答案，你把它背了下來。然后考試的時候，只是從那套試題里面抽取一部分考。你憑借超人的記憶力獲得了100分。請問你學會了這門課的知識了嗎？不知道如果給你新的題目，你會不會做呢？答案還是不知道。所以考試題目需要和復習題目有區別。

同樣的道理，假設咱們的模型只在某個數據集上訓練，準確度非常高，但是從來沒有見過其他新數據，那么它面對新數據表現如何呢？

你心里也沒底吧？

所以我們需要把數據集拆開，只在訓練集上訓練。保留測試集先不用，作為考試題，看模型經過訓練后的分類效果。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)

這里，我們設定了 random_state 取值，這是為了在不同環境中，保證隨機數取值一致，以便驗證咱們模型的實際效果。

我們看看此時的 X_train 數據集形狀。

X_train.shape

(1500, 2)

可見，在默認模式下，train_test_split函數對訓練集和測試集的劃分比例為 3:1。

我們檢驗一下其他3個集合看看：

y_train.shape

(1500,)

X_test.shape

(500, 2)

y_test.shape

(500,)

同樣都正確無誤。

下面我們就要處理中文停用詞了。

我們編寫一個函數，從中文停用詞表里面，把停用詞作為列表格式保存并返回：

def get_custom_stopwords(stop_words_file):
    with open(stop_words_file) as f:
        stopwords = f.read()
    stopwords_list = stopwords.split('\n')
    custom_stopwords_list = [i for i in stopwords_list]
    return custom_stopwords_list

我們指定使用的停用詞表，為我們已經下載保存好的哈工大停用詞表文件。

stop_words_file = "stopwordsHIT.txt"
stopwords = get_custom_stopwords(stop_words_file)

看看我們的停用詞列表的后10項：

stopwords[-10:]

這些大部分都是語氣助詞，作為停用詞去除掉，不會影響到語句的實質含義。

下面我們就要嘗試對分詞后的中文語句做向量化了。

我們讀入CountVectorizer向量化工具，它依據詞語出現頻率轉化向量。

from sklearn.feature_extraction.text import CountVectorizer

我們建立一個CountVectorizer()的實例，起名叫做vect。

注意這里為了說明停用詞的作用。我們先使用默認參數建立vect。

vect = CountVectorizer()

然后我們用向量化工具轉換已經分詞的訓練集語句，并且將其轉化為一個數據框，起名為term_matrix。

term_matrix = pd.DataFrame(vect.fit_transform(X_train.cutted_comment).toarray(), columns=vect.get_feature_names())

我們看看term_matrix的前5行：

term_matrix.head()

我們注意到，特征詞語五花八門，特別是很多數字都被當作特征放在了這里。

term_matrix的形狀如下：

term_matrix.shape

(1500, 7305)

行數沒錯，列數就是特征個數，有7305個。

下面我們測試一下，加上停用詞去除功能，特征向量的轉化結果會有什么變化。

vect = CountVectorizer(stop_words=frozenset(stopwords))

下面的語句跟剛才一樣：

term_matrix = pd.DataFrame(vect.fit_transform(X_train.cutted_comment).toarray(), columns=vect.get_feature_names())

term_matrix.head()

可以看到，此時特征個數從剛才的7305個，降低為7144個。我們沒有調整任何其他的參數，因此減少的161個特征，就是出現在停用詞表中的單詞。

但是，這種停用詞表的寫法，依然會漏掉不少漏網之魚。

首先就是前面那一堆顯眼的數字。它們在此處作為特征毫無道理。如果沒有單位，沒有上下文，數字都是沒有意義的。

因此我們需要設定，數字不能作為特征。

在Python里面，我們可以設定token_pattern來完成這個目標。

這一部分需要用到正則表達式的知識，我們這里無法詳細展開了。

但如果你只是需要去掉數字作為特征的話，按照我這樣寫，就可以了。

另一個問題在于，我們看到這個矩陣，實際上是個非常稀疏的矩陣，其中大部分的取值都是0.

這沒有關系，也很正常。

畢竟大部分評論語句當中只有幾個到幾十個詞語而已。7000多的特征，單個語句顯然是覆蓋不過來的。

然而，有些詞匯作為特征，就值得注意了。

首先是那些過于普遍的詞匯。盡管我們用了停用詞表，但是難免有些詞匯幾乎出現在每一句評論里。什么叫做特征？特征就是可以把一個事物與其他事物區別開的屬性。

假設讓你描述今天見到的印象最深刻的人。你怎么描述？

我看見他穿著小丑的衣服，在繁華的商業街踩高蹺，一邊走還一邊拋球，和路人打招呼。

還是……

我看見他有兩只眼睛，一只鼻子。

后者絕對不算是好的特征描述，因為難以把你要描述的個體區分出來。

物極必反，那些過于特殊的詞匯，其實也不應該保留。因為你了解了這個特征之后，對你的模型處理新的語句情感判斷，幾乎都用不上。

這就如同你跟著神仙學了屠龍之術，然而之后一輩子也沒有見過龍……

所以，如下面兩個代碼段所示，我們一共多設置了3層特征詞匯過濾。

max_df = 0.8 # 在超過這一比例的文檔中出現的關鍵詞（過于平凡），去除掉。
min_df = 3 # 在低于這一數量的文檔中出現的關鍵詞（過于獨特），去除掉。

vect = CountVectorizer(max_df = max_df,
                       min_df = min_df,
                       token_pattern=u'(?u)\\b[^\\d\\W]\\w+\\b',
                       stop_words=frozenset(stopwords))

這時候，再運行我們之前的語句，看看效果。

term_matrix = pd.DataFrame(vect.fit_transform(X_train.cutted_comment).toarray(), columns=vect.get_feature_names())

term_matrix.head()

可以看到，那些數字全都不見了。特征數量從單一詞表法去除停用詞之后的7144個，變成了1864個。

你可能會覺得，太可惜了吧？好容易分出來的詞，就這么扔了？

要知道，特征多，絕不一定是好事兒。

尤其是噪聲大量混入時，會顯著影響你模型的效能。

好了，評論數據訓練集已經特征向量化了。下面我們要利用生成的特征矩陣來訓練模型了。

我們的分類模型，采用樸素貝葉斯（Multinomial naive bayes）。

from sklearn.naive_bayes import MultinomialNB
nb = MultinomialNB()

注意我們的數據處理流程是這樣的：

1. 特征向量化；
2. 樸素貝葉斯分類。

如果每次修改一個參數，或者換用測試集，我們都需要重新運行這么多的函數，肯定是一件效率不高，且令人頭疼的事兒。而且只要一復雜，出現錯誤的幾率就會增加。

幸好，Scikit-learn給我們提供了一個功能，叫做管道(pipeline)，可以方便解決這個問題。

它可以幫助我們，把這些順序工作連接起來，隱藏其中的功能順序關聯，從外部一次調用，就能完成順序定義的全部工作。

使用很簡單，我們就把 vect 和 nb 串聯起來，叫做pipe。

from sklearn.pipeline import make_pipeline
pipe = make_pipeline(vect, nb)

看看它都包含什么步驟：

pipe.steps

看，我們剛才做的工作，都在管道里面了。我們可以把管道當成一個整體模型來調用。

下面一行語句，就可以把未經特征向量化的訓練集內容輸入，做交叉驗證，算出模型分類準確率的均值。

from sklearn.cross_validation import cross_val_score
cross_val_score(pipe, X_train.cutted_comment, y_train, cv=5, scoring='accuracy').mean()

咱們的模型在訓練中的準確率如何呢？

0.820687244673089

這個結果，還是不錯的。

回憶一下，總體的正向和負向情感，各占了數據集的一半。

如果我們建立一個“笨模型”（dummy model），即所有的評論，都當成正向（或者負向）情感，準確率多少？

對，50%。

目前的模型準確率，遠遠超出這個數值。超出的這30%多，其實就是評論信息為模型帶來的確定性。

但是，不要忘了，我們不能光拿訓練集來說事兒，對吧？下面咱們給模型來個考試。

我們用訓練集，把模型擬合出來。

pipe.fit(X_train.cutted_comment, y_train)

然后，我們在測試集上，對情感分類標記進行預測。

pipe.predict(X_test.cutted_comment)

這一大串0和1，你看得是否眼花繚亂？

沒關系，scikit-learn給我們提供了非常多的模型性能測度工具。

我們先把預測結果保存到y_pred。

y_pred = pipe.predict(X_test.cutted_comment)

讀入 scikit-learn 的測量工具集。

from sklearn import metrics

我們先來看看測試準確率：

metrics.accuracy_score(y_test, y_pred)

0.86

這個結果是不是讓你很吃驚？沒錯，模型面對沒有見到的數據，居然有如此高的情感分類準確性。

對于分類問題，光看準確率有些不全面，咱們來看看混淆矩陣。

metrics.confusion_matrix(y_test, y_pred)

array([[194,  43],
       [ 27, 236]])

混淆矩陣中的4個數字，分別代表：

• TP: 本來是正向，預測也是正向的；
• FP: 本來是負向，預測卻是正向的；
• FN: 本來是正向，預測卻是負向的；
• TN: 本來是負向，預測也是負向的。

下面這張圖（來自 https://goo.gl/5cYGZd ）應該能讓你更為清晰理解混淆矩陣的含義：

寫到這兒，你大概能明白咱們模型的性能了。

但是總不能只把咱們訓練出的模型和無腦“笨模型”去對比吧？這也太不公平了！

下面，我們把老朋友 SnowNLP 呼喚出來，做個對比。

如果你把它給忘了，請復習《如何用Python做情感分析？》

from snownlp import SnowNLP
def get_sentiment(text):
    return SnowNLP(text).sentiments

我們利用測試集評論原始數據，讓 SnowNLP 跑一遍，獲得結果。

y_pred_snownlp = X_test.comment.apply(get_sentiment)

注意這里有個小問題。 SnowNLP 生成的結果，不是0和1，而是0到1之間的小數。所以我們需要做一步轉換，把0.5以上的結果當作正向，其余當作負向。

y_pred_snownlp_normalized = y_pred_snownlp.apply(lambda x: 1 if x>0.5 else 0)

看看轉換后的前5條 SnowNLP 預測結果：

y_pred_snownlp_normalized[:5]

好了，符合我們的要求。

下面我們先看模型分類準確率：

metrics.accuracy_score(y_test, y_pred_snownlp_normalized)

0.77

與之對比，咱們的測試集分類準確率，可是0.86哦。

我們再來看看混淆矩陣。

metrics.confusion_matrix(y_test, y_pred_snownlp_normalized)

array([[189,  48],
       [ 67, 196]])

對比的結果，是 TP 和 TN 兩項上，咱們的模型判斷正確數量，都要超出 SnowNLP。

小結

回顧一下，本文介紹了以下知識點：

1. 如何用一袋子詞（bag of words）模型將自然語言語句向量化，形成特征矩陣；
2. 如何利用停用詞表、詞頻閾值和標記模式(token pattern)移除不想干的偽特征詞匯，降低模型復雜度。
3. 如何選用合適的機器學習分類模型，對詞語特征矩陣做出分類；
4. 如何用管道模式，歸并和簡化機器學習步驟流程；
5. 如何選擇合適的性能測度工具，對模型的效能進行評估和對比。

希望這些內容能夠幫助你更高效地處理中文文本情感分類工作。

討論

你之前用機器學習做過中文情感分類項目嗎？你是如何去除停用詞的？你使用的分類模型是哪個？獲得的準確率怎么樣？歡迎留言，把你的經驗和思考分享給大家，我們一起交流討論。

喜歡請點贊。還可以微信關注和置頂我的公眾號“玉樹芝蘭”(nkwangshuyi)。

如果你對數據科學感興趣，不妨閱讀我的系列教程索引貼《如何高效入門數據科學？》，里面還有更多的有趣問題及解法。