Question

我发现很难理解如何修复我创建的管道（阅读：主要是从教程中粘贴）。它的python 3.4.2：

df = pd.DataFrame
df = DataFrame.from_records(train)

test = [blah1, blah2, blah3]

pipeline = Pipeline([('vectorizer', CountVectorizer()), ('classifier', RandomForestClassifier())])

pipeline.fit(numpy.asarray(df[0]), numpy.asarray(df[1]))
predicted = pipeline.predict(test)

当我运行它时，我得到：

TypeError: A sparse matrix was passed, but dense data is required. Use X.toarray() to convert to a dense numpy array.

这是针对行pipeline.fit(numpy.asarray(df[0]), numpy.asarray(df[1]))。

我通过numpy，scipy等解决了很多解决方案，但我仍然不知道如何修复它。是的，之前出现过类似的问题，但不是在管道内。我必须在哪里申请toarray或todense？

Answer 1

不幸的是，这两者是不相容的。 CountVectorizer生成稀疏矩阵，RandomForestClassifier需要密集矩阵。可以使用X.todense()进行转换。这样做会大大增加你的内存占用。

以下是基于http://zacstewart.com/2014/08/05/pipelines-of-featureunions-of-pipelines.html执行此操作的示例代码，您可以在管道阶段调用.todense()。

class DenseTransformer(TransformerMixin):

    def fit(self, X, y=None, **fit_params):
        return self

    def transform(self, X, y=None, **fit_params):
        return X.todense()

获得DenseTransformer后，您就可以将其添加为管道步骤。

pipeline = Pipeline([
     ('vectorizer', CountVectorizer()), 
     ('to_dense', DenseTransformer()), 
     ('classifier', RandomForestClassifier())
])

另一种选择是使用适用于稀疏数据的分类器，如LinearSVC。

from sklearn.svm import LinearSVC
pipeline = Pipeline([('vectorizer', CountVectorizer()), ('classifier', LinearSVC())])

Answer 2

0.16-dev中的随机森林现在接受稀疏数据。

Answer 3

最简洁的解决方案是使用FunctionTransformer转换为密集：这将自动实现大卫的答案中的fit，transform和fit_transform方法。另外，如果我的管道步骤不需要特殊名称，我喜欢使用sklearn.pipeline.make_pipeline便利功能来启用更简约的语言来描述模型：

from sklearn.preprocessing import FunctionTransformer

pipeline = make_pipeline(
     CountVectorizer(), 
     FunctionTransformer(lambda x: x.todense(), accept_sparse=True), 
     RandomForestClassifier()
)

Answer 4

您可以使用Series方法将pandas .values更改为数组。

pipeline.fit(df[0].values, df[1].values)

但是我认为这里出现的问题是因为CountVectorizer()默认返回稀疏矩阵，并且不能通过管道传递到RF分类器。 CountVectorizer()确实有一个dtype参数来指定返回的数组类型。也就是说通常你需要做一些降维以使用随机森林进行文本分类，因为词袋特征向量很长

Answer 5

通过此管道添加TfidTransformer plus

        pipelinex = Pipeline([('bow',vectorizer),
                           ('tfidf',TfidfTransformer()),
                           ('to_dense', DenseTransformer()), 
                           ('classifier',classifier)])

Scikit-Learn的管道：传递了稀疏矩阵，但需要密集数据

5 个答案: