6

文本文档的分类是scikit-learn 的一项简单任务,但在 NLTK 中并没有明确的支持,也有一些样本可以像这样以艰难的方式做到这一点。我想用 NLTK 进行预处理并用 sckit-learn 进行分类,我在 NLTK 中找到了 SklearnClassifier,但是有一个小问题。

在 scikit-learn 中一切正常:

from sklearn.naive_bayes import MultinomialNB
from sklearn.multiclass import OneVsRestClassifier

X_train = [[0, 0], [0, 1], [1, 1]]
y_train = [('first',), ('second',), ('first', 'second')]

clf = OneVsRestClassifier(MultinomialNB())
clf.fit(X_train, y_train)
print clf.classes_

结果是['first' 'second'],这是我的期望。但是当我尝试在 NLTK 中使用相同的代码时:

from nltk.classify import SklearnClassifier

X_train = [{'a': 1}, {'b': 1}, {'c': 1}]
y_train = [('first',), ('second',), ('first', 'second')]
clf = SklearnClassifier(OneVsRestClassifier(MultinomialNB()))
clf.train(zip(X_train, y_train))
print clf.labels()

结果是[('first',), ('second',), ('first', 'second')],它不是正确的。有什么解决办法吗?

4

1 回答 1

16

scikit-learn 的 NLTK 包装器不知道多标签分类,也不应该因为它没有实现MultiClassifierI. 实现它需要一个单独的类。

您可以实现缺少的功能,也可以在没有包装器的情况下使用 scikit-learn。较新版本的 scikit-learnDictVectorizer接受的输入与 NLTK 包装器接受的输入大致相同:

from sklearn.feature_extraction import DictVectorizer

X_train_raw = [{'a': 1}, {'b': 1}, {'c': 1}]
y_train = [('first',), ('second',), ('first', 'second')]

v = DictVectorizer()
X_train = v.fit_transform(X_train_raw)

clf = OneVsRestClassifier(MultinomialNB())
clf.fit(X_train, y_train)

然后,您可以使用X_test = v.transform(X_test_raw)将测试样本转换为矩阵。Asklearn.pipeline.Pipeline通过将矢量化器和分类器捆绑在一个对象中使这更容易。

免责声明:根据常见问题解答,我应该披露我的隶属关系。DictVectorizer我为 scikit-learn编写了两者和 NLTK 包装器。

于 2012-11-22T16:28:16.500 回答