在 scikit-learn 中使用具有多项式内核的支持向量分类器

Question

我正在尝试使用 scikit-learn 包中实现的不同分类器来完成一些 NLP 任务。我用来执行分类的代码如下

def train_classifier(self, argcands):
        # Extract the necessary features from the argument candidates
        train_argcands_feats = []
        train_argcands_target = []

        for argcand in argcands:
            train_argcands_feats.append(self.extract_features(argcand))
            train_argcands_target.append(argcand["info"]["label"]) 

        # Transform the features to the format required by the classifier
        self.feat_vectorizer = DictVectorizer()
        train_argcands_feats = self.feat_vectorizer.fit_transform(train_argcands_feats)

        # Transform the target labels to the format required by the classifier
        self.target_names = list(set(train_argcands_target))
        train_argcands_target = [self.target_names.index(target) for target in train_argcands_target]

        # Train the appropriate supervised model
        self.classifier = LinearSVC()
        #self.classifier = SVC(kernel="poly", degree=2)

        self.classifier.fit(train_argcands_feats,train_argcands_target)

        return

def execute(self, argcands_test):
        # Extract features
        test_argcands_feats = [self.extract_features(argcand) for argcand in argcands_test]

        # Transform the features to the format required by the classifier
        test_argcands_feats = self.feat_vectorizer.transform(test_argcands_feats)

        # Classify the candidate arguments 
        test_argcands_targets = self.classifier.predict(test_argcands_feats)

        # Get the correct label names
        test_argcands_labels = [self.target_names[int(label_index)] for label_index in test_argcands_targets]

        return zip(argcands_test, test_argcands_labels)

从代码中可以看出，我正在测试支持向量机分类器的两种实现：LinearSVC 和带有多项式内核的 SVC。 现在，对于我的“问题”。使用 LinearSVC 时，我得到了一个没有问题的分类：测试实例被标记了一些标签。但是，如果我使用多项式 SVC，则所有测试实例都带有相同的标签。 我知道一种可能的解释是，简单地说，多项式 SVC 不是用于我的任务的合适分类器，这很好。我只是想确保我正确使用了多项式 SVC。

感谢您给我的所有帮助/建议。

更新 按照答案中给出的建议，我更改了训练分类器执行以下操作的代码：

# Train the appropriate supervised model
parameters = [{'C': [1, 10, 100, 1000], 'gamma': [0.001, 0.0001], 'kernel': ['poly'], 'degree': [2]}]
self.classifier = GridSearchCV(SVC(C=1), parameters, score_func = f1_score)

现在我收到以下消息：

ValueError: The least populated class in y has only 1 members, which is too few. The minimum number of labels for any class cannot be less than k=3.

这与我的训练数据中类的实例分布不均匀有关，对吧？还是我错误地调用了程序？

Answer 1

在这两种情况下，您都应该使用grid search 调整正则化参数 C 的值。你不能比较结果，否则一个好的 C 值可能会给另一个模型带来糟糕的结果。

对于多项式内核，您还可以网格搜索度数的最佳值（例如 2 或 3 或更多）：在这种情况下，您应该同时网格搜索 C 和度数。

编辑：

这与我的训练数据中类的实例分布不均匀有关，对吧？还是我错误地调用了程序？

检查每个类至少有 3 个样本，以便能够使用 k == 3 进行 StratifiedKFold 交叉验证（我认为这是 GridSearchCV 用于分类的默认 CV）。如果你有更少，不要指望模型能够预测任何有用的东西。我建议每个类至少有 100 个样本（作为一个有点武断的经验法则，除非你处理少于 10 个特征并且类之间的决策边界有很多规律性的玩具问题）。

顺便说一句，请始终将完整的回溯粘贴到问题/错误报告中。否则可能没有必要的信息来诊断正确的原因。