6

在我提出这个问题之前，我必须说我已经彻底阅读了这个板上超过 15 个类似的主题，每个主题都有不同的建议，但所有这些都无法让我正确。

好的，所以我将我的“垃圾邮件”文本数据（最初为 csv 格式）拆分为训练和测试集，使用 CountVectorizer 及其“fit_transform”函数来拟合语料库的词汇表并从文本中提取字数统计特征。然后我应用 MultinomialNB() 从训练集学习并在测试集上进行预测。这是我的代码（简化）：

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.cross_validation import train_test_split
from sklearn.naive_bayes import MultinomialNB

# loading data 
# data contains two columns ('text', 'target')

spam = pd.read_csv('spam.csv')
spam['target'] = np.where(spam_data['target']=='spam',1,0)

# split data
X_train, X_test, y_train, y_test = train_test_split(spam_data['text'], spam_data['target'], random_state=0) 

# fit vocabulary and extract word count features
cv = CountVectorizer()
X_traincv = cv.fit_transform(X_train)  
X_testcv = cv.fit_transform(X_test)

# learn and predict using MultinomialNB
clfNB = MultinomialNB(alpha=0.1)
clfNB.fit(X_traincv, y_train)

# so far so good, but when I predict on X_testcv
y_pred = algo.predict(X_testcv)

# Python throws me an error: dimension mismatch

我从之前的问题线程中收集到的建议是 (1) 在 X_test 上仅使用 .transform()，或 (2) 确定原始垃圾邮件数据中的每一行是否为字符串格式（是的，它们是），或 (3)在 X_test 上什么也不做。但他们都没有敲响警钟，Python 一直给我“尺寸不匹配”错误。挣扎了 4 个小时后，我不得不屈服于 Stackoverflow。如果有人能就此启发我，将不胜感激。只是想知道我的代码出了什么问题以及如何使尺寸正确。

谢谢你。

顺便说一句，原始数据条目看起来像这样

_

                                         test   target
0 Go until jurong point, crazy.. Available only    0
1 Ok lar... Joking wif u oni...                    0
2 Free entry in 2 a wkly comp to win FA Cup fina   1
3 U dun say so early hor... U c already then say   0
4 Nah I don't think he goes to usf, he lives aro   0
5 FreeMsg Hey there darling it's been 3 week's n   1
6 WINNER!! As a valued network customer you have   1
4

1 回答 1

11

您CountVectorizer已经安装了训练数据。因此，对于您的测试数据，您只想调用transform()，而不是fit_transform().

否则，如果您fit_transform()再次在测试数据上使用，您会根据测试数据的唯一词汇表获得不同的列。所以只适合训练一次。

X_testcv = cv.transform(X_test)
于 2017-08-21T19:26:04.077 回答