使用 sklearn 通过类对字符串进行分类

Question

我在以 sklearn 可以接受的形式呈现我的数据时遇到问题 我的原始数据是几百个字符串，它们被分为 5 个类别之一，我有一个我想分类的字符串列表，以及它们各自类别的平行列表。我正在使用GaussianNB()

示例数据：

For such a large, successful business, I really feel like they need to be 
either choosier in their employee selection or teach their employees to 
better serve their customers.|||Class:4

代表一个给定的“特征”和一个分类

在分类器中使用之前，字符串本身必须转换为向量，我尝试使用DictVector 来执行此任务

dictionaryTraining = convertListToSentence(data)
vec = DictVectorizer()
print(dictionaryTraining)
vec.fit_transform(dictionaryTraining)

但是为了做到这一点，我必须将数据的实际分类附加到字典中，否则我会收到错误 'str' object has no attribute 'items' 我理解这是因为 .fit_transform 需要特征和索引，但我不完全了解索引的目的

fit_transform(X[, y])   Learn a list of feature name -> indices mappings and transform X.

我的问题是，我如何获取字符串列表和表示其分类的数字列表，并将它们提供给gaussianNB() 分类器，以便我将来可以使用类似的字符串呈现它，它会估计字符串类？

Answer 1

由于您的输入数据是原始文本格式，而不是像 {"word":number_of_occurrences, } 这样的字典格式，我相信您应该使用CountVectorizer，它将您的输入文本拆分为白色空间并将其转换为您需要的输入向量。

这种转换的一个简单示例是：

from sklearn.feature_extraction.text import CountVectorizer
corpus = ['This is the first document.', 'This is the second second document.', 
          'And the third one.', 'Is this the first document?',]
x = CountVectorizer().fit_transform(corpus)
print x.todense() #x holds your features. Here I am only vizualizing it