Scikit 文本分类 - 错误的输入形状错误

Question

我已修改本教程 (http://scikit-learn.org/stable/tutorial/text_analytics/working_with_text_data.html) 以在路透社语料库上构建文本分类器。但是，我得到一个错误的输入形状错误：

编辑：感谢@Vivek Kumar 的帮助，我解决了输入形状错误的问题。但是，现在我得到一个 AttributeError: lower not found。经过一些研究，我认为这可能与路透社语料库没有正确的形式有关。有什么办法可以解决这个问题吗？

这是我的代码：

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)

我是编程和 NLP 的真正初学者，所以我对所有这些东西真的不太了解（目前）。 感谢您的任何建议和帮助！

Answer 1

那是因为您没有使用 CountVectorizer 中的实际数据。您正在使用reuters_train，而您应该使用reuters_train.data。

变化：

train_counts = count_vect.fit_transform(reuters_train)

到：

train_counts = count_vect.fit_transform(reuters_train.data)

还有 CountVectorizer + TfidfTransformer = TfidfVectorizer。所以我建议使用它来代替两个对象。

在进一步阅读RCV1 dataset here 的描述时，鉴于.data 包含：

非零值包含余弦归一化的对数 TF-IDF 向量。

所以实际上不需要对数据做 CountVectorizer 和 TfidfTransformer，你可以像这样直接使用它：

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

但是您将再次遇到错误，这一次是由于目标数据的形状。您会看到 MultinomialNB().fit() 仅适用于单维目标（可能是多类或二进制），但不适用于多标签或多输出数据。

TLDR; 因此，您需要从代码中删除 CountVectorizer 和 TfidfTransformer，因为它已经在数据中完成，您需要将分类器 MultinomialNB 更改为任何其他支持目标 @987654331 中的二维@ 可能是 DecisionTreeClassifier 或其他。