【发布时间】:2015-01-10 06:09:32
【问题描述】:
我有如图所示的文字:
list1 = ["My name is xyz", "My name is pqr", "I work in abc"]
以上将是使用 kmeans 对文本进行聚类的训练集。
list2 = ["My name is xyz", "I work in abc"]
以上是我的测试集。
我已经建立了一个矢量化器和模型如下所示:
vectorizer = TfidfVectorizer(min_df = 0, max_df=0.5, stop_words = "english", charset_error = "ignore", ngram_range = (1,3))
vectorized = vectorizer.fit_transform(list1)
km=KMeans(n_clusters=2, init='k-means++', n_init=10, max_iter=1000, tol=0.0001, precompute_distances=True, verbose=0, random_state=None, copy_x=True, n_jobs=1)
km.fit(vectorized)
如果我尝试为我的“list2”测试集预测集群:
km.predict(list2)
我收到以下错误:
ValueError: Incorrect number of features. Got 2 features, expected 5
有人告诉我使用Pipeline 来解决这个问题。所以我写了下面的代码:
pipe = Pipeline([('vect', vectorizer), ('vectorized', vectorized), ('kmeans',km )])
但我得到了错误:
TypeError Traceback (most recent call last)
/mnt/folder/Text_Mining/<ipython-input-14-321cabc3bf35> in <module>()
----> 1 pipe = Pipeline([('vect', vectorizer), ('vectorized', vectorized), ('kmeans',km )])
/usr/local/lib/python2.7/dist-packages/scikit_learn-0.13-py2.7-linux-x86_64.egg/sklearn/pipeline.pyc in __init__(self, steps)
87 raise TypeError("All intermediate steps a the chain should "
88 "be transforms and implement fit and transform"
---> 89 "'%s' (type %s) doesn't)" % (t, type(t)))
90
91 if not hasattr(estimator, "fit"):
TypeError: All intermediate steps a the chain should be transforms and implement fit and transform' (0, 2) 1.0
(1, 4) 0.57735026919
(1, 3) 0.57735026919
(1, 1) 0.57735026919
(2, 0) 1.0' (type <class 'scipy.sparse.csr.csr_matrix'>) doesn't)
我认为vectorized 的输出可能没有实现拟合和转换,但在这种特殊情况下我该怎么做呢?我是机器学习的新手。
另外,如何从 kmeans 模型中获取标签?当我运行 kmeans 时,我可以使用 km.labels_ 访问集群标签。如何在 Pipeline 中做类似的事情?
【问题讨论】:
-
('vectorized', vectorized)部分不是管道的有效部分。在管道中,您只需要具有fit的对象以及除最后一个transform方法之外的所有对象。你不要像你所做的那样在成分上调用fit,你应该在pipe上调用它:pipe.fit(list1)
标签: python machine-learning scikit-learn k-means pipeline