Scikit文本分类-输入形状错误

Question

我已经修改了本教程(data.html)，以便在路透社语料库上构建文本分类器。但是，我得到了一个错误的输入形状：

编辑:由于@Vivek Kumar的帮助，我已经解决了不良输入形状问题。但是，现在我得到了一个AttributeError:较低的未找到。经过一些研究，我认为这可能与路透社的语料库没有正确的形式有关。有什么办法能解决这个问题吗？

这是我的守则：

from sklearn.datasets import fetch_rcv1 #import reuters corpus
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.naive_bayes import MultinomialNB
from sklearn.pipeline import Pipeline

rcv1 = fetch_rcv1()


reuters_train = fetch_rcv1(subset='train', shuffle=True, random_state=42)
reuters_train.target_names

count_vect = CountVectorizer()

train_counts = count_vect.fit_transform(reuters_train.data)
train_counts.shape
count_vect.vocabulary_.get(u'alogrithm')

tf_transformer = TfidfTransformer(use_idf=False).fit(train_counts)
train_tf = tf_transformer.transform(train_counts)
train_tf.shape
tfidf_transformer = TfidfTransformer()
train_tfidf = tfidf_transformer.fit_transform(train_counts)
train_tfidf.shape

clf = MultinomialNB().fit(train_tfidf, reuters_train.target)

text_clf = Pipeline([('vect', CountVectorizer()),
                     ('tfidf', TfidfTransformer()),
                     ('clf', MultinomialNB()),])

text_clf.fit(reuters_train.data, reuters_train.target)
Pipeline(...)

import numpy as np

reuters_testset = fetch_rcv1(subset='test', shuffle=True, random_state=42)

reuters_test = reuters_testset.data

predicted = text_clf.predict(reuters_test)

np.mean(predicted == reuters_test.target)

我是一个编程和NLP的真正初学者，所以我真的不太了解所有的东西(目前)。谢谢你的建议和帮助！

Answer 1

这是因为您没有使用CountVectorizer中的实际数据。您使用的是reuters_train，而应该使用reuters_train.data。

更改：

train_counts = count_vect.fit_transform(reuters_train)

至：

train_counts = count_vect.fit_transform(reuters_train.data)

也是CountVectorizer + TfidfTransformer = TfidfVectorizer。因此，我建议使用两个对象的替换。

在进一步阅读这里的RCV1数据集的描述时，考虑到.data包含：

非零值包含余弦归一化，日志TF-以色列国防军向量.

因此，没有必要实际对数据执行CountVectorizer和TfidfTransformer，您可以这样直接使用它：

clf = MultinomialNB().fit(reuters_train.data, reuters_train.target)

但是您将再次遇到一个错误，这一次由于目标数据的形状。您可以看到，MultinomialNB().fit()只适用于一维目标(可能是多类或二进制)，而不适用于多标签或多输出数据。

TLDR;，所以您需要从代码中删除CountVectorizer和TfidfTransformer，因为它已经在数据中完成了，并且需要将分类器MultinomialNB更改为在目标y中支持2-d的任何其他类型，比如DecisionTreeClassifier或其他。