HashingVectorizer后输入形状错误

Question

我有204567字，其中21010字是独一无二的。每个单词都与一个唯一的标记相关联。总共有46个独特的标签。

我使用了特性散列来映射使用HashingVectorizer()的204567单词。我有一个热编码标签，并使用Perceptron()模型来解决这个多类分类问题。

from keras.utils import np_utils
from sklearn.feature_extraction.text import HashingVectorizer 
from sklearn.linear_model import Perceptron
from sklearn.preprocessing import LabelEncoder

vect = HashingVectorizer(decode_error='ignore', n_features=2**15,
                          preprocessor=None)
X = vect.transform(X_train)

encoder = LabelEncoder()
y = encoder.transform(y_train)
target = np_utils.to_categorical(y)

ppn = Perceptron(n_iter=40, eta0=0.1, random_state=0)
ppn.fit(X, target)

但是，我收到以下错误：ValueError: bad input shape (204567, 46)

有更好的方法来编码标签吗？

请解释错误和可能的解决方案。

Answer 1

我修改了我的代码如下，现在它开始工作了：

from sklearn.feature_extraction.text import HashingVectorizer
from sklearn.neural_network import MLPClassifier
from sklearn.preprocessing import OneHotEncoder, LabelEncoder
from keras.models import Sequential
from keras.layers import Dense
from keras.utils import np_utils
from numpy import array   

vec = HashingVectorizer(decode_error = 'ignore', n_features = 2**15)
X = vec.fit_transform(X_train) 

values = array(y_train)

label_encoder = LabelEncoder()
integer_encoded = label_encoder.fit_transform(values)

encoded = np_utils.to_categorical(integer_encoded)
print(X.shape)
print(encoded.shape)

clf = MLPClassifier(activation = 'logistic', solver = 'adam', 
                    batch_size = 100, learning_rate = 'adaptive', 
                    max_iter = 20, random_state = 1, verbose = True )
clf.fit(X, encoded)
print('Accuracy: %.3f' %clf.score(X, encoded))

我把我的模型从Perceptron改为多层Perceptron分类器，虽然我不完全确定这是如何工作的。欢迎解释。现在，我必须使用n-g模型来处理同样的问题，并比较结果。

Answer 2

函数np_utils.to_categorical()需要一个class vector作为参数，您给出了一个形状

见文档：

to_categorical

to_categorical(y, num_classes=None)

将类向量(整数)转换为二进制类矩阵。

例如与categorical_crossentropy一起使用。

参数

y:要转换成矩阵的类向量(从0到num_classes的整数)。num_classes:类的总数。返回

输入的二进制矩阵表示。

所以

target = np_utils.to_categorical(y)

提供错误类型。