除了文本分类以外的其他输入

Question

我试图做一个文本分类器使用"Sci工具包“学习袋的单词。矢量化为分类器。但是，我想知道除了文本本身之外，我将如何在输入中添加另一个变量。假设我想在文本中添加一些单词，除了文本(因为我认为它可能会影响结果)。我应该怎样做呢？

我必须在这个分类器的上面加上另一个分类器吗？或者有什么方法可以将输入添加到矢量化文本中？

Answer 1

Scikit学习分类器适用于numpy数组。这意味着，在对文本进行矢量化之后，您可以很容易地将新特性添加到这个数组中(我要把这个句子拿回来，不是很容易，而是可行的)。问题是在文本分类中，您的特性将是稀疏的，因此正常的numpy列添加不起作用。

从2013年scikit学习教程中的文本挖掘示例修改的代码。

from sklearn.datasets import load_files
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
import numpy as np
import scipy

# Load the text data

twenty_train_subset = load_files('datasets/20news-bydate-train/',
    categories=categories, encoding='latin-1')

# Turn the text documents into vectors of word frequencies
vectorizer = TfidfVectorizer(min_df=2)
X_train_only_text_features = vectorizer.fit_transform(twenty_train_subset.data)


print type(X_train_only_text_features)
print "X_train_only_text_features",X_train_only_text_features.shape

size = X_train_only_text_features.shape[0]
print "size",size

ones_column = np.ones(size).reshape(size,1)
print "ones_column",ones_column.shape


new_column = scipy.sparse.csr.csr_matrix(ones_column )
print type(new_column)
print "new_column",new_column.shape

X_train= scipy.sparse.hstack([new_column,X_train_only_text_features])

print "X_train",X_train.shape

产出如下：

<class 'scipy.sparse.csr.csr_matrix'>
X_train_only_text_features (2034, 17566)
size 2034
ones_column (2034L, 1L)
<class 'scipy.sparse.csr.csr_matrix'>
new_column (2034, 1)
X_train (2034, 17567)