在朴素贝叶斯（Python、scikit）中使用稀疏矩阵/在线学习

Question

我正在尝试对具有超过 6,000,000 个条目且每个条目具有 150k 个特征的数据集执行朴素贝叶斯。我试图从以下链接实现代码： Implementing Bag-of-Words Naive-Bayes classifier in NLTK

问题是（据我了解），当我尝试使用 dok_matrix 作为参数运行训练方法时，它找不到 iterkeys（我已将行与 OrderedDict 作为标签配对）：

Traceback (most recent call last):
  File "skitest.py", line 96, in <module>
    classif.train(add_label(matr, labels))
  File "/usr/lib/pymodules/python2.6/nltk/classify/scikitlearn.py", line 92, in train
    for f in fs.iterkeys():
  File "/usr/lib/python2.6/dist-packages/scipy/sparse/csr.py", line 88, in __getattr__
    return _cs_matrix.__getattr__(self, attr)
  File "/usr/lib/python2.6/dist-packages/scipy/sparse/base.py", line 429, in __getattr__
    raise AttributeError, attr + " not found"
AttributeError: iterkeys not found

我的问题是，有没有办法通过逐项（在线）教授分类器条目来避免使用稀疏矩阵，或者在这种情况下我可以有效地使用稀疏矩阵格式而不是 dok_matrix？还是我遗漏了一些明显的东西？

感谢任何人的时间。 :)

编辑，9 月 6 日：

找到了iterkeys，所以至少代码可以运行。它仍然太慢，因为它花了几个小时处理一个 32k 大小的数据集，但仍未完成。这是我目前得到的：

matr = dok_matrix((6000000, 150000), dtype=float32)
labels = OrderedDict()

#collect the data into the matrix

pipeline = Pipeline([('nb', MultinomialNB())])
classif = SklearnClassifier(pipeline)

add_label = lambda lst, lab: [(lst.getrow(x).todok(), lab[x])
                              for x in xrange(lentweets-foldsize)] 

classif.train(add_label(matr[:(lentweets-foldsize),0], labels))
readrow = [matr.getrow(x + foldsize).todok() for x in xrange(lentweets-foldsize)]
data = np.array(classif.batch_classify(readrow))

问题可能是所取的每一行都没有利用向量的稀疏性，而是遍历了 150k 条目中的每一个。作为这个问题的延续，有谁知道如何使用这个带有稀疏矩阵的朴素贝叶斯，或者有没有其他方法来优化上面的代码？

Answer 1

查看 scikit-learn 中的 document classification example。诀窍是让库为您处理特征提取。跳过 NLTK 包装器，因为它不适用于如此大的数据集。(*)

如果您有文本文件中的文档，那么您只需将这些文本文件交给TfidfVectorizer，它会根据它们创建一个稀疏矩阵：

from sklearn.feature_extraction.text import TfidfVectorizer
vect = TfidfVectorizer(input='filename')
X = vect.fit_transform(list_of_filenames)

您现在有一个 CSR 稀疏矩阵格式的训练集 X，如果您还有一个标签列表 y（可能源自文件名，如果您对类）：

from sklearn.naive_bayes import MultinomialNB
nb = MultinomialNB()
nb.fit(X, y)

如果事实证明这不起作用，因为文档集太大（不太可能因为 TfidfVectorizer 仅针对此数量的文档进行了优化），请查看 out-of-core document classification 示例，该示例演示了 @987654329 @ 和 partial_fit API 用于小批量学习。您需要 scikit-learn 0.14 才能正常工作。

(*) 我知道，因为我写了那个包装器。与 NLTK 的其余部分一样，它用于教育目的。我还致力于 scikit-learn 的性能改进，我宣传的一些代码是我自己的。