2

我正在使用 scikit 对短语进行文本分类以使其含义。一些例子是：

"Yes" - label.yes
"Yeah" - label.yes
...
"I don't know" - label.i_don't_know
"I am not sure" - label.i_don't_know
"I have no idea" - label.i_don't_know

使用 TfidfVectorizer 和 MultinomialNB 分类器，一切都运行良好。

当我添加一个新的文本/标签对时出现问题：

"I" - label.i

预测“I”的类仍然返回 label.i_don't_know，即使文本正好在这样的训练数据中，这可能是由于一元组“I”在 label.i_don't_know 中出现的频率高于 label.i_don't_know在标签.i。

是否有分类器可以在此任务上提供可比或更好的性能，并保证正确返回训练数据元素的预测？

这段代码进一步说明了这个问题：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB

#instantiate classifier and vectorizer
clf=MultinomialNB(alpha=.01)
vectorizer =TfidfVectorizer(min_df=1,ngram_range=(1,2))

#Apply vectorizer to training data
traindata=['yes','yeah','i do not know','i am not sure','i have no idea','i'];
X_train=vectorizer.fit_transform(traindata)

#Label Ids
y_train=[0,0,1,1,1,2];

#Train classifier
clf.fit(X_train, y_train)

print clf.predict(vectorizer.transform(['i']))

代码输出标签 1，但正确的分类是标签 2。

4

1 回答 1

6

问题不在于分类器，而在于矢量化器。TfidfVectorizer有一个参数token_pattern : string，它是一个“正则表达式”，表示什么是“标记”，仅在 tokenize == 'word' 时使用。默认的正则表达式选择2 个或更多字母字符的标记（标点符号被完全忽略并始终视为标记分隔器）。” （强调补充）。分词器抛出单词i，导致一个空文档。然后朴素贝叶斯将其分类为 class 1，因为这是训练数据中最常见的类别。

根据数据，您可能需要考虑对朴素贝叶斯使用统一先验。

关于为什么事情可能无法正常工作的进一步提示：

您的管道设置方式可能还有其他一些奇怪之处。我发现检查每个阶段（标记器、矢量器、分类器等）的输入和输出很有用。从长远来看，花一些时间编写单元测试将为您节省大量时间。

一旦您对一切正常工作感到满意，请尝试在测试数据上评估您的分类器。我怀疑您的课程之间存在相当大的重叠，尤其是label.i_don't_know和label.i. 如果是这种情况，分类器将表现不佳。

于 2013-07-02T12:57:22.587 回答