4

我正在尝试一个多标签分类问题。我的数据看起来像这样

DocID   Content             Tags           
1       some text here...   [70]
2       some text here...   [59]
3       some text here...  [183]
4       some text here...  [173]
5       some text here...   [71]
6       some text here...   [98]
7       some text here...  [211]
8       some text here...  [188]
.       .............      .....
.       .............      .....
.       .............      .....

这是我的代码

traindf = pd.read_csv("mul.csv")
print "This is what our training data looks like:"
print traindf

t=TfidfVectorizer()

X=traindf["Content"]

y=traindf["Tags"]

print "Original Content"
print X
X=t.fit_transform(X)
print "Content After transformation"
print X
print "Original Tags"
print y
y=MultiLabelBinarizer().fit_transform(y)
print "Tags After transformation"
print y

print "Features extracted:"
print t.get_feature_names()
print "Scores of features extracted"
idf = t.idf_
print dict(zip(t.get_feature_names(), idf))

print "Splitting into training and validation sets..."
Xtrain, Xvalidate, ytrain, yvalidate = train_test_split(X, y, test_size=.5)

print "Training Set Content and Tags"
print Xtrain
print ytrain
print "Validation Set Content and Tags"
print Xvalidate
print yvalidate

print "Creating classifier"
clf = OneVsRestClassifier(LogisticRegression(penalty='l2', C=0.01))

clf.fit(Xtrain, ytrain)

predictions=clf.predict(Xvalidate)
print "Predicted Tags are:"
print predictions
print "Correct Tags on Validation Set are :"
print yvalidate
print "Accuracy on validation set: %.3f"  % clf.score(Xvalidate,yvalidate)

代码运行良好，但我不断收到这些消息

X:\Anaconda2\lib\site-packages\sklearn\multiclass.py:70: UserWarning: Label not 288 is present in all training examples.
  str(classes[c]))
X:\Anaconda2\lib\site-packages\sklearn\multiclass.py:70: UserWarning: Label not 304 is present in all training examples.
  str(classes[c]))
X:\Anaconda2\lib\site-packages\sklearn\multiclass.py:70: UserWarning: Label not 340 is present in all training examples.

这是什么意思？这是否表明我的数据不够多样化？

4

1 回答 1

5

当某些项目出现在所有或许多记录中时，一些数据挖掘算法会出现问题。例如，在使用 Apriori 算法进行关联规则挖掘时，这是一个问题。

是否有问题取决于分类器。我不知道您正在使用的特定分类器，但这是一个示例，当拟合具有最大深度的决策树时可能很重要。

假设您正在使用 Hunt 算法和 GINI 指数拟合具有最大深度的决策树，以确定最佳分割（请参阅此处了解解释，幻灯片 35 向前）。第一次拆分可能是关于记录是否具有标签 288。如果每个记录都具有此标签，则 GINI 索引对于这种拆分将是最佳的。这意味着前这么多的拆分将毫无用处，因为您实际上并没有拆分训练集（您拆分的是一个空集，没有 288，而集合本身，有 288）。所以，树的前这么多层次是没有用的。如果您随后设置最大深度，这可能会导致决策树的准确性较低。

在任何情况下，您收到的警告都不是您的代码的问题，充其量是您的数据集。您应该检查您正在使用的分类器是否对此类事物敏感——如果是，当您过滤掉随处可见的标签时，它可能会产生更好的结果。

于 2015-12-17T20:01:13.250 回答