如何在 NLP 中进行单值预测答案

【问题标题】：How to do a single value prediction in NLP如何在 NLP 中进行单值预测
【发布时间】：2019-11-20 14:30:10
【问题描述】：

我的数据集是餐馆评论，有两列评论和点赞。根据评论显示他们是否喜欢这家餐厅

我在 NLP 中清理数据作为第一步。然后作为第二步使用如下的词袋模型。

from sklearn.feature_extraction.text import CountVectorizer

cv = CountVectorizer(max_features = 1500)

X = cv.fit_transform(corpus).toarray()

y = dataset.iloc[:, 1].values

根据我的数据集，上面给出的 X 为 1500 列，0 和 1，1000 行。

我预测如下

y_pred = classifier.predict(X_test)

所以现在我的评论是“食物很好”，我如何预测他们是否喜欢。一个单一的值来预测。

请您帮帮我。如果需要其他信息，请告诉我。

谢谢

【问题讨论】：

阅读关于情绪分析的词袋模型（正面和负面词）。仅供参考，这个论坛是发布用于调试的代码示例。您可能需要查看其他堆栈交换论坛，例如 datascience.stackexchange.com，以获得更好的建议。

标签： machine-learning nlp

【解决方案1】：

您只需要先申请cv.transform，就像这样：

>>> test = ['Food was good']
>>> test_vec = cv.transform(test)
>>> classifier.predict(test_vec)
# returns predicted class

【讨论】：

非常感谢您帮助我。我试过了。这对我有用。
很高兴我能帮上忙 :)

【解决方案2】：

这里的训练和测试是一个简单的例子：

培训：

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer, TfidfVectorizer
text = ["This is good place","Hyatt is awesome hotel"]

count_vect = CountVectorizer()
tfidf_transformer = TfidfTransformer()
X_train_counts = count_vect.fit_transform(text)
X_train_tfidf = tfidf_transformer.fit_transform(X_train_counts)

pd.DataFrame(X_train_tfidf.todense(), columns = count_vect.get_feature_names())
# Now apply any classification u want to on top of this data-set

现在测试：

注意：使用与训练中相同的转换：

new = ["I like the ambiance of this hotel "]

pd.DataFrame(tfidf_transformer.transform(count_vect.transform(new)).todense(), 
             columns = count_vect.get_feature_names())

现在在此之上应用 model.predict。

【讨论】：

不用tfidfTransformer

【解决方案3】：

您也可以使用 sklearn 管道。

from sklearn.pipeline import Pipeline
model_pipeline = Pipeline([('vect', CountVectorizer()),('tfidf', TfidfTransformer()), ('model', classifier())]) #call the Model which you want to use

model_pipeline.fit_transform(x,y) # here x is your text data, and y is going to be your target
model_pipeline.predict(['Food was good"'])  # predict your new sentence

【讨论】：