namesex 0.2.5

名称ex

namexx是一个预测中文名字性别倾向的软件包。该模块提供了两个预测模型，分别针对10730个中文名字（繁体中文）和从公共数据中收集的可靠性别标签进行了训练。第一个预测模型是一个可以由predict（）调用的随机林分类器。该模型采用了三种特征：给定名称、给定名称的唯一性和一个100大小的向量，这些向量是从tw.yahoo.com上收集的新闻语料中提取出来的。该新闻语料库包含87848812个汉字。

第二个预测模型是一个L2正则逻辑回归，可以通过predict_logic（）调用。此模型仅使用给定名称和给定名称的Unigrams。这两种预测方法都采用一个名字列表，并输出预测的性别倾向（男性为1，女性为0）或成为男性名字的概率。

使用gensim训练跳转gram word2vec模型时，该方案不依赖gensim，因为训练后的模型被提取为字典结构，便于使用。然而，这个项目依赖于numpy、scipy和sklearn。在通过pip安装namexx之前，windows用户可能希望使用预编译的二进制软件包安装numpy、scipy和sklearn。如果你只想“工作”而不想安装sklearn，可以考虑使用姐妹项目nameex_light，它只依赖于numpy。namesex_light使用在同一数据集上训练的正则化logistic回归提供相同的生成函数。nameex_light应该比predict（）快。然而，nameex_light的预测精度低于nameex中的predict（）函数。

有关nameex和nameex_light的其他信息可以在in another document (in Chinese)中找到。

下面列出了通过十倍交叉验证评估的随机森林和logistic回归模型的预测性能。

pip install namesex

>>> import namesex
>>> ns = namesex.namesex()
>>> ns.predict(['民豪', '愛麗', '志明'])
array([1, 0, 1])
>>> ns.predict(['民豪', '愛麗', '志明'], predprob=True)
array([0.8245    , 0.25695238, 0.85      ])

>>> ns.predict(['莎拉波娃', '阿波羅', '雷', '艾美', '布蘭妮', '瑪麗亞'])
array([0, 1, 1, 0, 0, 0])

>>> ns.predict(['黃志明春嬌', '黃志明', '志明', '黃春嬌', '春嬌'], predprob = True)
array([0.61825   , 0.79039286, 0.85      , 0.3646    , 0.3716    ])

测试数据集

这个包附带了一个小的测试数据集，它不用于模型培训。下面的示例代码演示了一个简单的用法。

>>> testdata = namesex.testdata()
>>> ns = namesex.namesex()
>>> pred = ns.predict(testdata.gname)
>>> pred2 = ns.predict_logic(testdata.gname)
>>> import numpy as np
>>> accuracy = np.mean(pred == testdata.sex)
>>> print(" Prediction accuracy (random forest) = {}".format(accuracy))
 Prediction accuracy (random forest) = 0.8921568627450981
>>> accuracy2 = np.mean(pred2 == testdata.sex)
>>> print(" Prediction accuracy (logistic reg) = {}".format(accuracy2))
 Prediction accuracy (logistic reg) = 0.8627450980392157

这两种方法的准确度都略低于十倍交叉评估的准确度。与logistic回归相比，随机森林仍然更好。

模特训练

模块附带了培训数据。你可以自己训练这个模型。