问题标签 [scikits]

Scikit-learn CountVectorizer for bag-of-words 方法目前提供两个子选项：(a) 使用自定义词汇表 (b) 如果自定义词汇表不可用，则它会根据语料库中存在的所有单词创建词汇表。

我的问题：我们可以指定一个自定义词汇表开始，但确保在处理语料库时看到新词时更新它。我假设这是可行的，因为矩阵是通过稀疏表示存储的。

有用性：在必须向训练数据中添加其他文档且不必从头开始的情况下，这将有所帮助。

我正在尝试将 TruncatedSVD.fit_transform() 应用于 scikit-learn 中 TfidfVectorizer 给出的稀疏矩阵，它给出：

我可以使用哪些其他方法或降维。

我正在尝试将 scikit 用于 Naive Basyes 分类。我有几个问题（我也是 scikit 的新手）

1) Scikit 算法希望输入为 numpy 数组，标签为数组。在文本分类的情况下，我应该通过维护词汇中的单词散列和与之关联的唯一 id 来将我的每个单词映射到一个数字 (id) 吗？这是 scikit 的标准做法吗？

2）如果将相同的文本分配给多个班级，我应该如何进行。一种明显的方法是为每个相关标签复制每个训练示例。存在更好的表示吗？

3) 同样对于测试数据，我将如何获得与测试相关的多个类？

我使用http://scikit-learn.org/stable/modules/generated/sklearn.naive_bayes.MultinomialNB.html 作为我的基础。

在大多数 Scikit-learn 算法中，数据必须作为 Bunch 对象加载。对于教程中的许多示例 load_files() 或其他函数用于填充 Bunch 对象。像 load_files() 这样的函数期望数据以某种格式存在，但我有以不同格式存储的数据，即每个字段都有字符串的 CSV 文件。

如何解析这个并以 Bunch 对象格式加载数据？

为了在大约 400 MB 的文本数据中运行 NB 分类器，我需要使用矢量化器。

但它给出了内存不足的错误。我正在使用 Linux64 一个 python 64 位版本。人们如何通过 Scikit 中的矢量化过程处理大型数据集（文本）

已编辑（ogrisel）：我将标题从“Scikit Vectorizer 中的内存不足错误”更改为“Scikit-learn MultinomialNB 中的内存不足错误”，以使其更能描述实际问题。

我有一些图像的一组区域（边界框），例如python代码：

我想做的是合并重叠的区域或 bbox 边缘之间的距离小于X. 天真的方法是检查所有区域之间的距离，这具有 O(n ² ) 复杂性。我可以写一些更聪明的东西，但我的印象是这种算法已经存在，我不想重新发明轮子。任何帮助表示赞赏。

我已经开始在相当广泛的范围内对 SVM 参数进行网格搜索。

大部分搜索空间已经计算出来，现在我得到了最后一个过程，它已经持续了 100 个小时。

我想看看已经计算好的结果。有什么办法吗？提前致谢！

当我尝试运行设置时，从 Windows 命令提示符出现此错误：

有谁知道我可以做些什么来安装 scikit？谢谢！

我使用 Python 训练了一个 SVM 分类器

这对预测很有用。现在我想更新分类器参数。很少有点改变分类（从正数到零），并且添加了一些。很少意味着 10000 中的 50 或更多。

我认为提示 SVM 分类器从先前的参数开始是明智的，这应该非常接近最佳解决方案。我有一个问题，有时分类器随机很差（我想拟合失败）。有没有办法在 scikit-learn 或 libsvm 中这样做？

我将 scikit 库中的内置 boston 数据集加载为：

from sklearn.datasets import load_boston bdata = load_boston()

我想提取第一列中的所有值，称为 CRIM。我写了这样一行： plt.scatter(bdata.CRIM,bdata.target,color='blue')

但是我收到一个错误，因为“AttributeError：'Bunch'对象没有属性'CRIM'”

如何访问标题为 'CRIM' 的列的元素？