¿Cuánto se puede saber desde los discursos?

Esto es un juego.

Esta entrada la estuve pensando en la última semana de Septiembre 2015, en especial debido a varios acontecimientos y fechas que se celebran en México. Ejemplo, el 1° de Septiembre se hace entrega del informe anual del gobierno por parte del presidente, el día 15 se celebra el día de la independencia de México, el día 27 de Septiembre del 2014 sucedieron unos hechos lamentables en el estado de Guerrera dónde 43 estudiantes de una Normal Rural fueron “desaparecido”. Pero más aún, con motivo de este último suceso se han realizado manifestaciones y posiblemente se vuelven desde este año actos que se realizarán año con año.

Lo que observé en Facebook, en twitter  y en la prensa, suele ser variado dependiendo del perfil tanto de las personas como de los periódicos. Pero algo que observé fue que las críticas se centraban en los discursos del presidente, sobré algo que decía, sobre lo dicho en la ONU con sede en New York mientras se llevaban acabo manifestaciones en México. Sobre el tipo de palabras, sobre los comentarios, etc.

Algunas frases fueron tomadas como los objetivos centrales de las críticas de dichos discursos. Entiendo que existen un equipo que redacta los discursos del presidente, pero también entiendo que existe un personal que revisa y que verifica el tipo de términos y explicaciones que se dirán. Evito imaginar que se tenga una estrategia para hacer crítica o freno a las aspiraciones políticas de un posible candidato a la presidencia, cuando aún faltan 3 años para la contienda electoral, la entrada la hago sin tener una postura política sobre las conclusiones e interpretaciones que se dieron a los discursos.

Pensé que no sería mala idea jugar con una muestra pequeña de discursos (48) y analizar cosas básicas para tratar de ver cómo ha cambiado la “similaridad” entre los discursos, ver cuáles han sido los tópicos a los largo de los meses y tratar de ver qué se puede saber de manera estadística desde los discursos. Pienso que son otros los capacitados para hacer un análisis de tiempo y espacio donde se dice tal o cual discurso y la relevancia o repercusión de lo dicho.

Esto no desentona en tipo de entradas, ya que no es para nada una manifestación política o una entrada donde trato de mostrar algo negativo del gobierno o donde trato de concluir o deducir algo sobre lo que sucede en el país. Es simplemente jugar con un puñado de datos y ver que se descubre.

Con toda mi ignorancia sobre como interpretar un discurso, me atrevo a suponer de un modo simplista que cada discursos político tienen algo de “localidad” y de “temporalidad”. Con localidad, pienso que depende de donde es emitido, de cuan tan importante es el lugar donde se emite y lo temporal me refiero al momento que rodea a dicho discurso, los acontecimiento cercanos, los sucesos sociales y políticos que acontecen en las fechas en las que se dice dicho discurso. Por otro lado, imagino que otro factor que afecta la “relevancia” de un discurso es gracias a los medios de comunicación, ya que bien un discurso puede ser parte de un evento donde un mandatario comunica algo o puede ser usado como parte de la información que usa y discute un medio de comunicación, el cual termina perneando la opinión publica.

Esto de cierto modo me permite hacer una análisis de textos, clasificar los discursos, detectar tópicos en los discursos, comparar por medio de medidas de similaridad como han cambiado o en qué meses se muestra mayor similaridad, comparar la muestra con respecto al informe y la participación en la ONU, etc. Estos aspectos pueden ser trabajados con una combinación de herramientas y algoritmos, lo cual pensé que sería divertido ver hasta donde se puede saber algo desde los discursos.

Sobre la muestra.

Tomé 48 discursos, 4 por mes desde Septiembre 2014 hasta Septiembre 2015. Los elegí de manera aleatoria, todos fueron guardados en archivos txt. Los  discursos varían, tanto en cantidad de palabras como el tipo de evento en el cual se emitió.

La muestra de discursos fue tratada tanto para hacer un Corpus Global, como uno por cada Mes, y de igual forma se compararon todos los discursos de manera independiente para identificar similaridad.

Lo que decidí hacer.

Escribí unas funciones las cuales me permitían dos cosas, extraer las palabras que aparecen con mayor frecuencia y aplicando LDA tomé 20 palabras del primer tópico detectado. Definí un corpus por año,  por mes y tomé los discursos qué más escuche comentar, el discurso del Informe de Gobierno y el Discursos en la ONU como la pareja inicial a comparar.

Así que use la medida de similaridad de Jaccard, que es una medida muy sencilla para definir entre los discursos cuales eran más cercanos según las palabras más frecuentes y cuales por las 20 palabras detectadas en el primer tópico.

Primero muestro un ejemplo y al final muestro los resultados obtenidos con todos los discursos.

Informe de Gobierno e informe ONU.

El código lo comparto más adelante. Los resultados son los siguientes:

#Comparación entre los discursos de la UNO y el Informe de Gobierno

dir1="C:\\.....ruta.....\\150928_ONU.txt"

dir2="D:\\.....ruta......\\150902_Informe_EPN.txt"

#Extracción del mensaje
Doc1<-msg(dir1)
Doc2<-msg(dir2)

#Contrucción de la matriz de terminos
TMD1<-tdm2(Doc1)
TMD2<-tdm2(Doc2)

#Se contruye su matrix de frecuencias
L1=TablaFreq(TMD1)
L2=TablaFreq(TMD2)

head(L1,5)
#    Términos  Frecuencia density ocurrencia
#356 naciones   15       0.01764706 1
#351 mundo      10       0.01176471 1
#330 méxico      9       0.01058824 1
#391 paz         9       0.01058824 1
#551 unidas      9       0.01058824 1
 
head(L2,5)
#     Términos Frecuencia density ocurrencia
#1597  méxico    92    0.014212884 1
#1603  mil       69    0.010659663 1
#1661  nacional  51    0.007878882 1
#1767  país      51    0.007878882 1
#1596  mexicanos 48    0.007415418 1

Jaccard(head(L1,20),head(L2,20))
#0.1428
#Gráfica
graphFreq(L1)
graphFreq(L2)

#Contruyo el DTM de cada texto
DTM_1=DTM(Doc1)
DTM_2=DTM(Doc2)

#Extraego las priemras 20 palabras asociadas con el primer tópico
top1<-TopicLDA(DTM_1)
top2<-TopicLDA(DTM_2)

top1
[1] "naciones" "derechos" "onu" "organización" "respeto" "agenda" 
[7] "frente" "humanidad" "humanos" "armas" "colectiva" "con" 
[13] "general" "seguridad" "señores" "acción" "clara" "consejo" 
[19] "favor" "futuro" 

top2
[1] "méxico" "con" "mil" "país" "reforma" 
[6] "gobierno" "mayor" "año" "administración" "familias" 
[11] "república" "años" "por" "justicia" "programa" 
[16] "educación" "crecimiento" "condiciones" "partir" "pobreza

Jaccard(top1,top2)
#0.0256

Se observa que hay una similaridad mayor entre los discursos cuando se consideran la palabras con mayor frecuencia o apariciones. La palabra que generó mayor crítica en los medios fue “populismo” y “populistas”. Estas dos palabras hicieron que se criticaran mucho los 2 discursos, lo que muestran los datos es que esas palabras aparecen muy poco, comparado con el efecto que generaron en los medios. De cierto modo son como “palabras singulares” que ejercieron mucho impacto en la apreciación del discurso.

La gráficas de las 50 palabras más citadas son las siguientes:

EPN_ONU

Discurso ONU

EPN_IG

Discurso Informe de Gobierno

Se observa que entre los dos discursos existe una diferencia considerable entre el tipo de palabras que se emplean y la frecuencia, también de la gráfica se puede apreciar que hay cierta “forma” diferente entre las palabras más citadas. Lo cual es notorio que la palabra “méxico” domina el discurso de Informe de Gobierno, por otro lado las palabras “naciones” y “mundo” el discurso de la ONU.

Lo que no muestra gran cambio es el desvanecimiento del color, que representa los cambios de la “densidad” de la frecuencia de las palabras. Concluir algo de estos datos es sutil y posiblemente confuso y atrevido, así que limitándome a lo estadístico se puede decir que hay en estructura diferencias pero muy sutiles, casi no se puede decir nada de esta comparación.

Dándole una interpretación a los tópicos y las mediciones de similaridad, los discursos en cuanto a “estructura”; las palabras más frecuentes, muestran un 14% de similaridad. Pero cuando uno analiza las palabras asociadas al primer tópico detectado, se observa que realmente solo son similares en escaso 2%. Los tópicos me parecen más relevantes, y es notoria la diferencia detectada. Las 20 palabras del primer tópico muestran al discurso de la ONU como algo “global” o “mundial”, y al discurso del informe de gobierno lo muestran como algo “nacional” y de problemas “socio económicos”.

En conclusión; como es de esperar,  se puede decir que los discursos no son tan similares (bajo esta medida de similaridad).

Lo global

Haciendo un corpus con los 48 discursos analizar, puedo comparar con respecto a los otros dos y analizar el comportamiento de la similaridad.

#Procesamiento de los discursos
#Librería para la nube de palabras
library(wordcloud)

dir="D:.....ruta....."
setwd(dir)
#Lista de directorios
filesall<-dir()
#Documentos y corpus
corpusalldoc<-sapply(filesall,function(p)msg(p))
corpusall<-tdm2(corpusalldoc)

#Tabla de frecuencias
Lall=TablaFreq(corpusall)

#Gráfica de frecuencias
graphFreq(Lall)

#Tópicos
DTMall<-DTM(corpusalldoc)
Topic_all<-TopicLDA(DTMall)

#Selección de conjunto de palabras para la nube de palabras
Grupo1<-rowSums(as.matrix(corpusall))
Grupo1<-subset(Grupo1,Grupo1>=30)
m<-as.matrix(Grupo1)
dim(m)
word_freqs = sort(rowSums(m), decreasing=TRUE)
dm = data.frame(word=names(word_freqs), freq=word_freqs)
wordcloud(dm$word, dm$freq, random.order=FALSE, random.color=FALSE,colors=brewer.pal(10,"Dark2"))

La gráfica y la nube de palabras que se obtiene es la siguiente:

Palabras_48 disc

Nube_48disc

Comparando con la métrica de similaridad se tienen lo siguiente:

#Medida de Similaridad
#Palabras más frecuentes
#UNO vs los 48 Discursos
Jaccard(Lall[,1],L1[,1])
#0.123
#Informe de Gobierno vs 48 Discursos
Jaccard(Lall[,1],L2[,1])
#0.282

#Tópicos
#ONU vs los 48 Discursos
Jaccard(Topic_all,top1)
#0.0526
#Informe de Gobiernos vs los 48 Discursos
Jaccard(Topic_all,top2)
#0.1428

Se aprecia que la medida de similaridad es mayor entre el discurso de informe que el de la ONU con respecto al corpus de los discursos. Era de esperar que fuera así, por la naturaleza del discurso y la fecha a la cual corresponde.

Es claro que los dos discursos tienen mayor similaridad con la muestra de discursos en el año, que entre ellos. Las dos preguntas que me hago al observar esto es, ¿cómo se comporta esta medida de similaridad por mes? y ¿cuál discurso muestra mayor similaridad con el de gobierno y el de la ONU?

Por Mes y por Discurso.

Haciendo la comparación por meses, se tienen que a comparar los dos discursos, el de la ONU y el del Informe, se tienen que por corpus construido por mes, se tiene gráficas como las siguientes:

Frec_Meses

El comportamiento por tópicos muestra otro comportamiento, el cual genera la siguiente gráfica:

Topic_Meses

Las gráficas de la métrica por mes muestra lo que uno puede esperar, el discurso de la ONU llega a no tener nada de similaridad en los meses de Marzo y Abril con la frecuencia de palabras, pero peor aún muestra poca similaridad con el primer grupo de tópicos en los meses de Octubre, Diciembre, Enero, Abril, Mayo y Septiembre. Es decir, el discurso dado en la ONU considerando que su primer grupo de tópicos se refiere aspecto mundiales o globales, ese no fue tema en esos meses con respecto a la muestra.

Por otro lado, el discurso del informe uno espera que sea similar al dado cada año o que las palabras que se usan en el mes de Septiembre suelen ser usuales. Eso muestra la primera gráfica, pero además vuelve a ser similar al inicio del año. Por otro lado al considerar los tópicos no muestra el mismo comportamiento, resulta que el mes de Junio es por alguna razón el mes con el cual muestra mayor similaridad. Eso me resulta raro, pero así resultó la medida de similaridad.

Ahora considerando cada uno de los discursos elegidos para analizar, el comportamiento que muestran con la frecuencia de palabras es el siguiente:

Freq_por_discurso

Esta muestra algo un poco más interesante, primero el mes de Septiembre muestra mayor similaridad y me resulta extraño que solo con el mes de Septiembre en el 2014, pero también uno puede observar que el mes de Enero con respecto al informe muestra un comportamiento de alta similaridad. Uno puede pensar que con motivo de inicio del año los discursos suelen ser “alentadores” , “nacionalistas”, “de mejoras” , etc. Esto pienso que puede ser interesante revisar una muestra de varios años y comparar como se comporta conforme pasan los años y quizás muestra estacionalidad la medida de similaridad.

Respecto al informe de la ONU muestra que no es usual que en los discursos se haga uso del mismo tipo de palabras, lo cual uno puede esperarlo ya que no suele decirse mucho del contexto “global”, como en el discursos de la ONU.

La gráfica de los tópicos, muestra el siguiente comportamiento:

 Topic_por_discursoLos tópicos muestran una cosa curiosa, el discurso de la ONU muestra entre los meses de Noviembre-Diciembre una alza, ¿efecto de la navidad para hablar del mundo?..no lo se, esto igual permite que si se hace una muestra mayor analizar si hay algún efecto en el primer grupo de tópicos detectados con la técnicas LDA.

Por otro lado el comportamiento del discurso del Informe muestra una alta similaridad en meses como Enero, Mayo y Junio. De nuevo que el mes de Enero aparezca con valores considerablemente mayores me hace suponer que al inicio del año y a medio año suelen tener este comportamiento de realzar o motivar ciertas cosas “nacionalistas” o “de esperanza” de ser un mejor país. No lo se, solo me hace pensar que teniendo una muestra mayor uno puede empezar hacer cosas más interesantes y jugar a poner algunas hipótesis para experimentar.

 ¿Qué cosas hacer para mejorar esto?

Haciéndome auto-críticas, pienso que hacer una muestra mayor y con discursos de varios años puede resultar más interesante. Por otro lado hacer uso de mejores técnicas o de otras técnicas de medidas de similaridad para explorar como se comportan los discursos con varias medidas. Por último no estaría mal hacer una muestra de otros mandatarios para revisar como evolucionan los tópicos y ver como se comportan ante camios o hechos históricos, cosas de ese estilo.

 Código

Comparto las funciones principales, el resto son muchas líneas de código de loops o de procesar un poco los datos para hacer las gráficas. Por lo cual comparto solo lo más importante del código.

library(tm)
library(NLP)
library(ggplot2)

#######################################
#Mensaje
msg<-function(path){
 con<-file(path,open='rt')
 text<-readLines(con, warn = FALSE, n=-1, encoding = "UCS-2LE")
 close(con)
 return(paste(text, collapse = "\n"))
}

#####################################
#TDM

tdm<-function(doc){
 control<-list(removeWords(stopwords("spanish")),
 removePunctuation,
 removeNumbers,
 content_transformer(tolower),
 minDocFreq=2)
 doc.corpus<-Corpus(VectorSource(doc))
 doc.tdm<-TermDocumentMatrix(doc.corpus,control)
 return(doc.tdm)
}

#######################################
#TDM versión 2
tdm2<-function(doc){
 docCor<-Corpus(VectorSource(doc))
 docs <- tm_map(docCor, stripWhitespace)
 docs <- tm_map(docs, removeWords, stopwords("spanish"))
 docs <- tm_map(docs, removePunctuation)
 docs <-tm_map(docs,removeNumbers)
 docs <- tm_map(docs,content_transformer(tolower))
 DocsTDM <- TermDocumentMatrix(docs) 
 return(DocsTDM)
 }

############################################
#Tabla de frecuencias
TablaFreq<-function(TDM){
 docmatrix <- as.matrix(TDM)
 doc.counts <- rowSums(docmatrix)
 doc.df <- data.frame(cbind(names(doc.counts),as.numeric(doc.counts)),stringsAsFactors = FALSE)
 names(doc.df) <- c("Términos", "Frecuencia")
 doc.df$Frecuencia <- as.numeric(doc.df$Frecuencia)
 doc.occurrence <- sapply(1:nrow(docmatrix),
 function(i)
 {
 length(which(docmatrix[i, ] > 0)) / ncol(docmatrix)
 })
 doc.density <- doc.df$Frecuencia / sum(doc.df$Frecuencia)
 doc.df <- transform(doc.df,density = doc.density,ocurrencia =doc.occurrence)
 S=head(doc.df[with(doc.df, order(-Frecuencia)),], n=50)
 return(S)
 }

##############################################
#Gráfica de frecuencias
graphFreq<-function(L){
 library(ggplot2)
 #Se debe de introducir la matriz con frecuencias
 #Gráfica de palabras y frencia
 p<-ggplot(L,aes(x=factor(Términos, levels=unique(as.character(Términos)) ), y=Frecuencia))+geom_bar(stat = "identity",aes(fill=density))+
 coord_flip()+xlab('Apariciones en el texto')+ylab('Las 50 palabras más frecuentes') 
 return(p)
 }

##########################################
#Función para extraer el Document term Matrix
DTM<-function(Texto){
 docCor<-Corpus(VectorSource(Texto))
 docs <- tm_map(docCor, stripWhitespace)
 docs <- tm_map(docs, removeWords, stopwords("spanish"))
 docs <- tm_map(docs, removePunctuation)
 docs<-tm_map(docs,removeNumbers)
 docs <- tm_map(docs,content_transformer(tolower))
 DocsTDM <- DocumentTermMatrix(docs) 
 return(DocsTDM)
}

################################################
#Topic
TopicLDA<-function(DTMdoc){
 #Regresa las 20 palabras relevantes del primer tópico detectado
 library(topicmodels)
 r.lda=LDA(DTMdoc,method="Gibbs",2)
 L=terms(r.lda,20)
 return(L[,1])
 }

##############################################
#Similaridad de Jaccard
Jaccard<-function(A,B){
 a=length(intersect(A,B))
 b=length(union(A,B))
 a/b
}

Clasificación binaria….Naive Bayes

Un poco sobre análisis de textos

Lo principal de esta entrada es dar un ejemplo de como clasificar correos, esto lo hago siguiendo el ejemplo de libro Machine Learning for Hackers [1]. La técnica es conocida como Naive Bayes, pero creo conveniente comentar un poco de la librería de R para text mining.

La librería tm   permite realizar text mining en R project. El text mining se aboca sobre la conversión textos a datos que puedan ser analizados, ya sea por herramientas estadísticas, o por técnicas de procesamiento natural del lenguaje (NLP, en ingles).

La librería es bastante conocida en la red y existe mucha información, en varios blog se muestran ejemplos interesantes. En particular se mostraban análisis de textos de Twitter, un buen ejemplo es el de Yanchang Zhaog, este se puede encontrar en sus notas data mining con R. Lo desafortunado es que la API de twitter fue actualizada y ya no se puede replicar el ejemplo con el código de Yanchang.

Para ejemplificar el funcionamiento de tm tomo los títulos de las primeras planas de un periódico desde el día 1 al 23 de Marzo.

Los pasos son los siguientes:

  1. Extraemos los HTML de cada portada desde la página del periódico.
  2. Tomo el texto de la página web o HTML.
  3. Le quito a los textos la mayoría de palabras que forman parte de los títulos y secciones del periódico.
  4. Proceso con tm los archivos.
  5. Construyo una nubes de palabras.

Podríamos hacer otro tipo de análisis  después del punto 4, pero implica hablar de otros conceptos, como cluster, PCA  o redes. Observación: No pongo todo el código, pero prácticamente solo falta el proceso del paso 2.

#Paso 0
#Cargamos las librerías 
library(tm)
library(wordcloud)
library(stringi)

#Paso 1
#Extraemos los datos
direc<-""http://www.eluniversal.com.mx/hemeroteca/edicion_impresa_201503"
comp_dir<-".html"
dias<-c("01", "02", "03", "04", "05", "06", "07", "08", "09", "10", "11", "12", "13", "14", "15", "16", "17", "18", "19", "20", "21", "22", "23")
#Paso 2
#Extraemos los datos
edi_impresa<-character(length(dias))

for (i in 1:length(dias)){
     edi_impresa[i]=htmlToText(stri_paste(direc,dias[i],comp_dir))
    }
#Paso 3 y 4
#Construimos el Corpus
Doc<-Corpus(VectorSource(edi_impresa))

#Visualizamos Doc
Doc[[1]]

#Procesamos Doc con la librería tm

Doc1<-tm_map(Doc, function(x) stri_replace_all_regex(as.character(x), "<.+?>", " "))
Doc2 <- tm_map(Doc1, function(x) stri_replace_all_fixed(x, "\t", " "))
Doc3 <- tm_map(Doc2, PlainTextDocument)
Doc4 <- tm_map(Doc3, stripWhitespace)
Doc5 <- tm_map(Doc4, removeWords, stopwords("spanish"))
Doc6 <- tm_map(Doc5, removePunctuation)
Doc7<-tm_map(Doc6,removeNumbers)

#Hacemos una lista con todas las palabras de títulos o secciones del periódico
L<-#LO OMITO
Doc8 <- tm_map(Doc7, removeWords, L)
Doc9 <- tm_map(Doc8,content_transformer(tolower))

#Contruimos nuestra matriz de TDM
DocsTDM <- TermDocumentMatrix(Docs14)

Lo que hice hasta esta parte del código es la construcción de la matriz de términos de los documentos. Con ello puedo revisar las frecuencias de las palabras. Como observación, debido a que no hice bien la lista de palabras a remover aparecerán algunas que se refieren a títulos y secciones del periódico.

#Revisamos las frecuencias de las palabras
Grupo1<-rowSums(as.matrix(DocsTDM))
Grupo1<-subset(Grupo1,Grupo1>=25)

#Graficamos nuestras palabras
library(ggplot2)
qplot(names(Grupo1), Grupo1, geom="bar", xlab="Terms") + coord_flip()
barplot(Grupo1, las=2)

 Palabras_más_frecuentes

Por último hago la nube de palabras.

#Nube de palabras
Grupo1<-subset(Grupo1,Grupo1>=10)
m<-as.matrix(Grupo1)
word_freqs = sort(rowSums(m), decreasing=TRUE)
dm = data.frame(word=names(word_freqs), freq=word_freqs)
#Nube de palabras
wordcloud(dm$word, dm$freq, random.order=FALSE, colors=brewer.pal(8, "Dark2"))

Imagen_datos_nube

Bueno, la idea sería procesar correctamente los datos y presentar la nube de palabras con mayor frecuencia de apariciones en el texto o con algún criterio que de deseé. Otro ejemplo sería revisar cuales palabras persistieron por el paso de los días en el mes de Marzo. También se puede hacer otro tipo de análisis, por ejemplo buscar cluster  o tópicos en los datos, lo cual resulta más interesante.

Cómo observación, la librería tm cuenta con aproximadamente 54 funciones y cabe mencionar que el objeto principal es la construcción y procesamiento de Corpus, que es como un concentrado de todos los textos  que se analizan. Para procesar el contenido del Corpus se usa la función tm_map, la cual funciona análogamente a las funciones apply, lapply, sapplycon la diferencia de que se aplica solo a los Corpus. Para mayor detalle se puede revisar el manual de la librería [].

Si se tiene interés en aprender sobre procesamiento de textos siguiendo las metodologías de NLP, se tienen muy buenos cursos de la plataforma Coursera. Recomiendo el curso impartido por la Universidad de Stanford.

¿Web Scraping con R?

El procesar textos ha sido una área de investigación desde hace tiempo, ahora se tienen librerías y metodologías estándar, pero donde abunda mucho información para analizar y era complicado extraerla es en la web. Ha este tipo de programas se les llama web scraping.

Mario Annau liberó una librería en R llamada tm.plugin.webminig y por otro lado Hadley Wickham liberó la librería rvest. Las dos librerías se toman como modelo librerías de Python, las cuales son más robustas y se han mejorado con el tiempo.

No hago algún ejemplo, pero se puede revisar la documentación y replicar el ejemplo que comparten cada uno sobre el uso de su librería. Lo interesante es que las dos tratan de simplificar pasos que tm no hace por si sola, principalmente por la interacción con textos HTML.

Como recomendación ( y eso en cada entrada de esta categoría) creo importante revisar el repositorio de Hahley Wickham, el cual a contribuido a la comunidad de R project con librerías muy populares y de mucho utilidad, basta mencionar ggplot2 y reshape. Se ha convertido en el RockStar de R para muchos.

Clasificación de mensajes-detectando Spam

 

En la entrad sobre Máquina de Soporte Vectorial (SVM) hice un ejemplo comparativo para clasificar correos. Replico el código en esta entrada solo enfocándome en Naive Bayes.

#Se instala la librería kernlab para usar sus datos 
library(kernlab)
#Se extraen los datos
data(spam)
#Se genera una muestra de 100 índices
index=sample(1:nrow(spam),100)
#Se carga la librería e1071 para usar la función naiveBayes
library(e1071)
model=naiveBayes(type~.,data=spam[-index,])
model=naiveBayes(type~.,data=spam[-index,])
pred=predict(mol,spam[index,])
table(pred,spam[index,58])
 
pred   nonspam   spam
nonspam  38      0
 spam     29     33

Los datos que se usan en el código anterior son datos ya procesados, los cuales ya cuentan con la etiqueta o variable categórica de ser Spam o no. Lo recomendable es  cargar los datos y explorar la información, en este caso solo hago uso de los algoritmos Naive Bayes que se encuentra en la librería e1071.

Hago otro ejemplo con los datos de la librería kernlab, estos corresponden a 8993 personas de las cuales se toman 14 datos y uso el algoritmo de Naive Bayes para evaluar la clasificación de 1000 de estas personas por sexo.

#Se carga las librerías
library(kernlab)
library(e1071)
#Se extraen los datos
data("income")
#Se toman 1000 personas de los datos
index=sample(1:nrow(spam),1000)
#Se genera el modelo Naive Bayes de la librería e1071
modelo=naiveBayes(SEX~.,data=income[-index,])
#Se estima la predicción
pred=predict(modelo,income[index,])
#Se presentan los datos en modo de una tabla
table(pred,income[index,2])
 
pred  M   F
 M   234 162
 F   220 384

En este último ejemplo, al igual que el primero se hace uso de datos previamente procesados. Lo cual facilita la aplicación del algoritmo.

Las tablas de los dos ejemplos muestra dos categoría, los errores del algoritmo se pueden considerar como la cantidad de Hombres de la fila M de Male que son considerados como mujeres en la columna F de Famale, es decir; 384. Equivalente las 220 mujeres que son clasificadas como hombres en la segunda fila.

Estos errores son conocidos como falsos negativos y falsos positivos, el objetivo de las técnicas de clasificación es tener el mínimo de este tipo de errores.

El siguiente ejemplo consiste  también en clasificar correos, donde un conjunto son identificados como Spam y otro conjunto se sabe que no es spam. Estos son extraídos desde SpamAssasin, la dirección es http://spamassassin.apache.org/publiccorpus/ . Pero recomiendo bajar todos los datos y código libro Machine Learning for Hackers  dese el repositorio de Jhon M. White en Github, para replicar de manera completa el ejemplo.

A diferencia de los primero dos ejemplos de clasificación, en este caso los datos o textos se van a procesar para identificar las palabras que aparecen con mayor frecuencia en los Spam y las palabras de los que no son Spam.

Se hará uso de 3 funciones, la primera para extraer el mensaje del correo, la segunda para convertir el mensaje en una matriz de términos del documento, con la cual se revisa la frecuencias de las palabras y se aplica una tercera función para clasificar cualquier correo con respecto a las palabras que se encuentran con mayor frecuencia en los correos identificados como Spam.

Naive Bayes

Antes doy una breve explicación  de la idea a tras de la clasificación. Suponiendo que se tienen dos clase, hombres y mujeres; y una lista de personas, por ejemplo: Guadalupe, Ernesto, Sofía, Andrea, Guadalupe, Sofía, Luis, Miguel, Guadalupe y Jaime

Nombre     Sexo
Guadalupe- Mujer
Ernesto  - Hombre
Sofía    - Mujer
Andrea   - Mujer
Guadalupe- Hombre
Sofía    - Mujer
Luis     - Hombre
Miguel   - Hombre
Guadalupe- Mujer
Jaime    - Hombre

De la lista anterior al considerar dos categorías, hombres y mujeres, se puede tomar una persona, ejemplo Guadalupe,  pero uno puede preguntarse ¿cuál es la probabilidad de que sea mujer dado que la persona se llama Guadalupe?

P(Mujer|Guadalupe)=[P(Guadalupe|Mujer)P(Mujer)]/P(Guadalupe)

La ecuación anterior expresa P( | ) como la probabilidad condicional y la regla de Bayes. Con los datos del ejemplo anterior  se puede calcular el valor de P(Mujer|Guadalupe)=2/3.

Análogamente se puede calcular P(Hombre|Guadalupe)=1/3

Entonces  lo que se tiene es que tomando a una persona que se llama Guadalupe es más probable que sea mujer. Pero se pueden considerar más atributos, como edad, peso, color de ojos, etc. Así  se puede uno volver a preguntar, ¿cuál es la probabilidad de que sea Mujer dado que se llama la persona Guadalupe?, pero claro ahora se pueden considerar los nuevos atributos en el calculo de la probabilidad condicional.

Lo que se modificará en el calculo es la cantidad de factores, ejemplo:

P(Guadalupe|Mujer)=P(Peso|Mujer)*P(Color de ojos|Mujer)*P(Edad|Mujer)

En el ejemplo de los correos se tiene una lista de palabras que se encuentran en aquellos que son Spam, entonces el total de atributos será dado por el total de palabras. La pregunta que se hace es: ¿el correo es Spam dado que tienen estas palabras?

Lo que  no menciono en el calculo anterior es que los atributos  se consideran independientes condicionalmente. Los aspectos teóricos de manera breve se pueden consultar en la parte 4 de las notas de Andrew Ng o en las notas de Andrew Moore, con más detalles se pueden encontrar en la referencias [2,3,4].

Espero que la explicación pese a ser corta ayude a entender lo que se va hacer con los correos que se procesan.

Correos..¿spam o no?

Como antes mencioné, tomo un conjunto de correos identificados como Spam y otro que se tienen identificado que no lo es. Se procesan para formar una matriz de términos para cada conjunto de correos. Con la matriz se asignarán densidades a las palabras  y por último se construye una función para clasificar.

Los primeros 500 correos se consideran como el conjunto de entrenamiento para el proceso de clasificación.

#Cargamos los datos
library(tm)
library(ggplo2)
spam.path <- file.path("data", "spam")
easyham.path <- file.path("data", "easy_ham")

#Funciones que usaremos
######Primera función

get.msg <- function(path)
{
 con <- file(path, open = "rt")
 text <- readLines(con)
 msg <- text[seq(which(text =="")[1]+1, length(text), 1)]
 close(con)
 return(paste(msg, collapse = "\n"))
}

#####Segunda función

get.tdm2 <- function(doc.vec)
{
 library(stringi)
 doc.corpus<-Corpus(VectorSource(doc.vec))
 cor.doc<-tm_map(doc.corpus, function(x) stri_replace_all_regex(as.character(x), "<.+?>", " "))
 cor.doc <- tm_map(cor.doc, PlainTextDocument)
 cor.doc <- tm_map(cor.doc,content_transformer(tolower))
 cor.doc <- tm_map(cor.doc,removeWords,stopwords("english"))
 cor.doc<- tm_map(cor.doc, removePunctuation)
 cor.doc<- tm_map(cor.doc, removeNumbers)
 cor.doc<-tm_map(cor.doc, stripWhitespace)
 doc.dtm<- TermDocumentMatrix(cor.doc)
 return(doc.dtm)
}

######Tercer función
classify.email <- function(path, training.df, prior = 0.5, c = 1e-6)
{
 #Extrae el mensaje
 #Convierte los datos en una matrz de terminos del documento

 msg <- get.msg(path)
 msg.tdm <- get.tdm(msg)
 msg.freq <- rowSums(as.matrix(msg.tdm))
 msg.match <- intersect(names(msg.freq), training.df$términos)
 if(length(msg.match) < 1)
 {
 return(prior * c ^ (length(msg.freq)))
 }
 else
 {
 match.probs <- training.df$ocurrencia[match(msg.match, training.df$términos)]
 return(prior * prod(match.probs) * c ^ (length(msg.freq) - length(msg.match)))
 }
}

######Procesar los los Spam

spam.docs <- dir(spam.path)
spam.docs <- spam.docs[which(spam.docs != "cmds")]
all.spam <- sapply(spam.docs,function(p) get.msg(file.path(spam.path, p)))
spam.tdm <- get.tdm2(all.spam)

######Procesamos 500 correos que no son spam

easyham.docs<-dir(easyham.path)
easyhamo.docs500=easyham.docs[1:500]
easyham500<-sapply(easyham.docs500,function(p)get.msg(file.path(easyham.path,p))
easyham500.tdm<-get.tdm2(easyham500)

En el código anterior se obtiene las matrices de términos y se puede ver los valores de esta en R, solo colocando el nombre:

#Revisamos los valores de los corpus

spam.tdm

<<TermDocumentMatrix (terms: 23109, documents: 500)>>
Non-/sparse entries: 70715/11483785
Sparsity : 99%
Maximal term length: 298
Weighting : term frequency (tf)

#Corpus para correos que no son Spam
easyham500.tdm

<<TermDocumentMatrix (terms: 13118, documents: 500)>>
Non-/sparse entries: 50247/6508753
Sparsity : 99%
Maximal term length: 245
Weighting : term frequency (tf)

Con las matrices de términos se construye una matriz con las densidades de las palabras.

#Matriz de densidad

spam.matrix <- as.matrix(spam.tdm)
spam.counts <- rowSums(spam.matrix)
spam.df <- data.frame(cbind(names(spam.counts),as.numeric(spam.counts)),stringsAsFactors = FALSE)
names(spam.df) <- c("términos", "frecuencia")
spam.df$frecuencia <- as.numeric(spam.df$frecuencia)
spam.occurrence <- sapply(1:nrow(spam.matrix),
 function(i)
 {
 length(which(spam.matrix[i, ] > 0)) / ncol(spam.matrix)
 })
spam.density <- spam.df$frecuencia / sum(spam.df$frecuencia)

#Aplicamos el mismo proceso para easyham500.tdm

#Términos frecuentes en spam.df

head(spam.df[with(spam.df, order(-ocurrencia)),],n=15)
      términos frecuencia density ocurrencia
6019    email    837    0.007295962 0.574
15199   please   459    0.004001011 0.520
3539    click    350    0.003050880 0.454
11722   list     419    0.003652339 0.442
21468   will     843    0.007348262 0.442
7317    free     651    0.005674637 0.420
9990  information 364   0.003172915 0.374
13837   now      329    0.002867827 0.352
2899    can      518    0.004515302 0.344
7687    get      425    0.003704640 0.334
14323   one      376    0.003277517 0.322
13511   new      336    0.002928845 0.300
16452   receive  327    0.002850394 0.298
19437   time     316    0.002754509 0.296
12527   message  245    0.002135616 0.286

#Términos frecuentes en easy.df

 head(easy.df[with(easy.df, order(-ocurrencia)),],n=15)
       términos frecuencia density ocurrencia
5052    group   232      0.003446125 0.388
12391   use     272      0.004040284 0.380
12979   wrote   238      0.003535249 0.380
1577    can     348      0.005169187 0.368
6982    list    249      0.003698642 0.368
8258    one     358      0.005317727 0.338
6527    just    273      0.004055138 0.326
8120    now     231      0.003431271 0.324
4812    get     230      0.003416417 0.282
6924    like    232      0.003446125 0.282
3653    email   188      0.002792549 0.276
11337   subject 162      0.002406346 0.270
11854   time    188      0.002792549 0.258
12834   will    318      0.004723567 0.254
6112   information 162   0.002406346 0.232

 De los datos anteriores se observa que comparten los dos tipos de correos algunas palabras, pero se aprecia que las ocurrencias en los Spam tienen valores más altos.

Lo que sigue es comparar las palabras contra una muestra de correos que no son Spam, pero por el texto que contiene son más complicados para detectarse como no-Spam.

Usamos la función classify.email se prueba contra el conjunto de entrenamiento que son las matrices spam.df y easy.df

#Clasificación
hardham.path <- file.path("data", "hard_ham")
hardham.docs <- dir(hardham.path)
hardham.docs <- hardham.docs[which(hardham.docs != "cmds")]

hardham.spamtest <- sapply(hardham.docs, function(p) classify.email(file.path(hardham.path, p), training.df = spam.df))
 
hardham.hamtest <- sapply(hardham.docs,function(p) classify.email(file.path(hardham.path, p), training.df = easyham.df))

hardham.res <- ifelse(hardham.spamtest > hardham.hamtest,TRUE,FALSE)

summary(hardham.res)
   Mode FALSE TRUE NA's 
logical  242   7   0

Lo que se observa es que se clasifican 7 email como Spam, cuando no lo son. Es posible que se deba algún error en el procesamiento del TDM de los Spam, ya que el resultado obtenido es demasiado bueno.

Para cerrar esta entrada, hago lo que sería un paso de prueba del clasificador. Se inicia con un conjunto de entrenamiento y se prueba como responde para clasificar  2500 correos que no son Spam y que son fáciles de identificar (easyham).

#Función clasificador de Spam

spam.classifier <- function(path)
{
 pr.spam <- classify.email(path, spam.df)
 pr.ham <- classify.email(path, easy.df)
 return(c(pr.spam, pr.ham, ifelse(pr.spam > pr.ham, 1, 0)))
}
#Cargamos los 2500 correos

easyham.docs <- dir(easyham.path)
easyham.docs <- easyham.docs[which(easyham.docs != "cmds")]

#Los clasificamos

easyham.class <- suppressWarnings(lapply(easyham.docs,function(p){spam.classifier(file.path(easyham.path, p))}))

#Contruimos una matriz con los datos
easyham.matrix <- do.call(rbind, easyham.class)
easyham.final <- cbind(easyham.matrix, "EASYHAM")

class.matrix <- rbind(easyham.final)
class.df <- data.frame(class.matrix, stringsAsFactors = FALSE)

names(class.df) <- c("Pr.SPAM" ,"Pr.HAM", "Class", "Type")
class.df$Pr.SPAM <- as.numeric(class.df$Pr.SPAM)
class.df$Pr.HAM <- as.numeric(class.df$Pr.HAM)
class.df$Class <- as.logical(as.numeric(class.df$Class))
class.df$Type <- as.factor(class.df$Type)

#Hacemos la gráfica con la información de los correos clasificados

ggplot(class.df, aes(x = log(Pr.HAM), log(Pr.SPAM))) +
 geom_point(aes(shape = Type, alpha = 0.5)) +
 stat_abline(yintercept = 0, slope = 1) +
 scale_shape_manual(values = c("EASYHAM" =1),name = "Email Type") +
 scale_alpha(guide = "none") +
 xlab("log[Pr(HAM)]") +
 ylab("log[Pr(SPAM)]") +
 theme_bw() +
 theme(axis.text.x = element_blank(), axis.text.y = element_blank())

#Hacemos una tabla con las densidades 

easyham.col <- get.results(subset(class.df, Type == "EASYHAM")$Class)
class.res <- rbind(easyham.col)
colnames(class.res) <- c("NOT SPAM", "SPAM")
print(class.res)

          NOT SPAM SPAM
easyham.col 0.974 0.026

Se observamos que el clasificador identifica aproximadamente el 97.5% de los correos que no son Spam, lo cual es correcto y solo tienen un error (falsos positivos) de 2.5%. Este ejercicio se puede repetir con el resto de conjuntos de correos que se encuentran en los datos del texto Machine Learning for Hackers.

Grafica_Ham_vs_Spam

Espero que los ejemplos den una idea aproximada de lo que se hace con este algoritmo y como se usa para construir un clasificador, en el texto se tienen más detalles, pero en general traté de poner en esta entrada las ideas básicas.

También se debe de observar que la clasificación no se reduce solo a tener dos clases (Spam y no Spam), como mencioné en otras entradas existen varias técnicas de clasificación multi-clase y en muchas situaciones es probable que se tengan más de dos clases para analizar.

Referencias:

1.-http://shop.oreilly.com/product/0636920018483.do

2.-http://shop.oreilly.com/product/0636920018483.do

3.-http://www.amazon.com/Artificial-Intelligence-Modern-Approach-Edition/dp/0136042597

4.-http://statweb.stanford.edu/~tibs/ElemStatLearn/

5.-http://www.autonlab.org/tutorials/naive02.pdf

6.-http://cs229.stanford.edu/