我有一堆带文章的文件。对于每篇文章,应该有一些功能,例如:文本长度, text_spam (所有都是整数或浮点数,在大多数情况下,它们应该从csv加载)。我想要做的是 - 将这些功能与CountVectorizer相结合,然后对这些文本进行分类。
我已经看了一些教程,但我仍然不知道如何实现这些东西。找到了here的内容,但实际上无法满足我的需求。
任何想法如何用scikit完成?
谢谢。
我现在遇到的是:
from sklearn.feature_extraction import DictVectorizer
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.pipeline import FeatureUnion
measurements = [
{'text_length': 1000, 'text_spam': 4.3},
{'text_length': 2000, 'text_spam': 4.1},
]
corpus = [
'some text',
'some text 2 hooray',
]
vectorizer = DictVectorizer()
count_vectorizer = CountVectorizer(min_df=1)
first_x = vectorizer.fit_transform(measurements)
second_x = count_vectorizer.fit_transform(corpus)
combined_features = FeatureUnion([('first', first_x), ('second', second_x)])
对于这一堆代码,我不明白如何加载“真实”数据,因为已经加载了训练集。第二个 - 如何加载类别(适合函数的y参数)?
答案 0 :(得分:13)
你误解了FeatureUnion
。它应该采用两个变压器,而不是两批样品。
你可以强制它处理你拥有的矢量化器,但是将每个样本的所有特征都扔到一个大袋子里要容易得多,并使用一个DictVectorizer
从这些袋子中制作矢量。“ p>
# make a CountVectorizer-style tokenizer
tokenize = CountVectorizer().build_tokenizer()
def features(document):
terms = tokenize(document)
d = {'text_length': len(terms), 'text_spam': whatever_this_means}
for t in terms:
d[t] = d.get(t, 0) + 1
return d
vect = DictVectorizer()
X_train = vect.fit_transform(features(d) for d in documents)
不要忘记使用sklearn.preprocessing.Normalizer
对此进行规范化,并注意即使在规范化之后,这些text_length
功能也必然会在规模方面支配其他功能。使用1. / text_length
或np.log(text_length)
可能更明智。
第二个 - 如何为fit函数加载类别(
y
参数)?
取决于您的数据的组织方式。 scikit-learn有很多辅助函数和类,但如果你的设置是非标准的,它确实希望你编写代码。