Question

好的，所以我只是在研究Andrew Ng的机器学习课程。我目前正在阅读this chapter并希望使用SKLearn和Python为自己尝试Multinomial Naive Bayes（第12页底部）。所以安德鲁提出了一种方法，在这种情况下，每种电子邮件都被编码为

我们让x_i表示电子邮件中i个字的标识。因此，x_i现在是{1, . . . , |V|}中取整数值的整数，其中|V|为(x1, x2, . . . , xn) 我们词汇量的大小（字典）。现在是一封n字的电子邮件由长度为n 的向量“A NIPS . . . ,”表示，请注意n 可能因文件不同而不同。例如，如果电子邮件启动使用x_1 = 1然后“a”（x2 = 35000是第一个单词字典）和“nips”（如果vocabulary是第35000个字字典）。

见精彩集锦。

所以这也是我在Python中所做的。我有一个[495, 296, 359]，这是一个包含502个单词的列表，我对每个“电子邮件”进行编码，使其表示方式与Andrew描述的方式相同，例如消息“this is sparta”由{{1 {}，[495, 296, 415, 359]和“这不是sparta”。

所以这就出现了问题。

显然，SKLearn的MultinomialNB要求输入具有统一的形状（我不确定这一点，但截至目前，我得到ValueError: setting an array element with a sequence.，我认为这是因为输入向量不是相同的大小）。

所以我的问题是，如何将MultinomialNB用于多个长度的消息？可能吗？我错过了什么？

以下是我正在使用的代码：

X = posts['wordsencoded'].values
y = posts['highview'].values
clf = MultinomialNB()
clf.fit(X, y)
MultinomialNB(alpha=1.0, class_prior=None, fit_prior=True)
print(clf.predict())

输入内容如下：

堆栈追踪：

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-933-dea987cd8603> in <module>()
      3 y = posts['highview'].values
      4 clf = MultinomialNB()
----> 5 clf.fit(X, y)
      6 MultinomialNB(alpha=1.0, class_prior=None, fit_prior=True)
      7 print(clf.predict())

/usr/local/lib/python3.4/dist-packages/sklearn/naive_bayes.py in fit(self, X, y, sample_weight)
    525             Returns self.
    526         """
--> 527         X, y = check_X_y(X, y, 'csr')
    528         _, n_features = X.shape
    529 

/usr/local/lib/python3.4/dist-packages/sklearn/utils/validation.py in check_X_y(X, y, accept_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, multi_output, ensure_min_samples, ensure_min_features, y_numeric, warn_on_dtype, estimator)
    508     X = check_array(X, accept_sparse, dtype, order, copy, force_all_finite,
    509                     ensure_2d, allow_nd, ensure_min_samples,
--> 510                     ensure_min_features, warn_on_dtype, estimator)
    511     if multi_output:
    512         y = check_array(y, 'csr', force_all_finite=True, ensure_2d=False,

/usr/local/lib/python3.4/dist-packages/sklearn/utils/validation.py in check_array(array, accept_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, warn_on_dtype, estimator)
    371                                       force_all_finite)
    372     else:
--> 373         array = np.array(array, dtype=dtype, order=order, copy=copy)
    374 
    375         if ensure_2d:

ValueError: setting an array element with a sequence.

Answer 1

是的，你的想法是正确的。您必须使用固定长度向量对每封邮件进行编码。对于每个训练集的电子邮件，此向量称为502维度的字数向量（在您的情况下）。

每个字数统计向量包含训练文件中502个字典单词的频率。当然，你现在可能已经猜到了大多数都是零。例如：＆＃34;这不是sparta不是这个sparta＆＃34;将编码如下。 [0,0,0,0,0，...... 0,0,2,0,0,0，......，0,0,2,0,0，...... 0,0,2,0,0，...... 2,0,0,0,0,0,0]

这里，所有四个2都位于502长度字数矢量的第296,359,415,495个索引处。

因此，将生成特征向量矩阵，其行表示训练集的文件数，列表示字典的502个单词。索引'ij'的值将是第i个文件中第j个单词出现次数。

这种生成的电子邮件编码（特征向量矩阵）可以提供给MultinomialNB进行培训。

在预测课程之前，您还必须为测试电子邮件生成类似的502长度编码。

您可以使用以下博客轻松地在ling-spam数据集上使用multinomialNB构建垃圾邮件过滤器分类器。博客帖子使用sklearn和python来实现。

https://appliedmachinelearning.wordpress.com/2017/01/23/nlp-blog-post/

MultinomialNB - 理论与实践

1 个答案: