sklearn分类器得到ValueError:输入形状不好

时间:2015-07-09 00:59:27

标签: python scikit-learn classification text-classification

我有一个csv,结构是 CAT1,CAT2,TITLE,URL,CONTENT,CAT1,CAT2,TITLE,CONTENT是中文。

我想要火车LinearSVCMultinomialNB与X(TITLE)和功能(CAT1,CAT2),都会收到此错误。以下是我的代码:

PS:我通过这个例子scikit-learn text_analytics

写下面的代码
import numpy as np
import csv
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.svm import LinearSVC
from sklearn.pipeline import Pipeline

label_list = []

def label_map_target(label):
    ''' map chinese feature name to integer  '''
    try:
        idx = label_list.index(label)
    except ValueError:
        idx = len(label_list)
        label_list.append(label)

    return idx


c1_list = []
c2_list = []
title_list = []
with open(csv_file, 'r') as f:
    # row_from_csv is for shorting this example
    for row in row_from_csv(f):
        c1_list.append(label_map_target(row[0])
        c2_list.append(label_map_target(row[1])
        title_list.append(row[2])

data = np.array(title_list)
target = np.array([c1_list, c2_list])
print target.shape
# (2, 4405)
target = target.reshape(4405,2)
print target.shape
# (4405, 2)

docs_train, docs_test, y_train, y_test = train_test_split(
   data, target, test_size=0.25, random_state=None)

# vect = TfidfVectorizer(tokenizer=jieba_tokenizer, min_df=3, max_df=0.95)
# use custom chinese tokenizer get same error
vect = TfidfVectorizer(min_df=3, max_df=0.95)
docs_train= vect.fit_transform(docs_train)

clf = LinearSVC()
clf.fit(docs_train, y_train)

错误:

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-24-904eb9af02cd> in <module>()
      1 clf = LinearSVC()
----> 2 clf.fit(docs_train, y_train)

C:\Python27\lib\site-packages\sklearn\svm\classes.pyc in fit(self, X, y)
    198 
    199         X, y = check_X_y(X, y, accept_sparse='csr',
--> 200                          dtype=np.float64, order="C")
    201         self.classes_ = np.unique(y)
    202 

C:\Python27\lib\site-packages\sklearn\utils\validation.pyc in check_X_y(X, y, accept_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, multi_output, ensure_min_samples, ensure_min_features, y_numeric)
    447                         dtype=None)
    448     else:
--> 449         y = column_or_1d(y, warn=True)
    450         _assert_all_finite(y)
    451     if y_numeric and y.dtype.kind == 'O':

C:\Python27\lib\site-packages\sklearn\utils\validation.pyc in column_or_1d(y, warn)
    483         return np.ravel(y)
    484 
--> 485     raise ValueError("bad input shape {0}".format(shape))
    486 
    487 

ValueError: bad input shape (3303, 2)

2 个答案:

答案 0 :(得分:7)

感谢@meelo,我解决了这个问题。 正如他所说:在我的代码中,data是一个特征向量,target是目标值。我混淆了两件事。

我了解到TfidfVectorizer将数据处理为[数据,功能],每个数据应映射到一个目标。

如果我想预测两种类型的目标,我需要两个不同的目标:

  1. target_C1所有C1值
  2. target_C2包含所有C2值。
  3. 然后使用两个目标和原始数据为每个目标训练两个分类器。

答案 1 :(得分:3)

我遇到了同样的问题。

因此,如果您遇到同样的问题,您应该检查clf.fit(X,y)参数的形状:

X:训练矢量{array-like,sparse matrix},shape(n_samples,n_features)。

y:目标向量相对于X数组,形状(n_samples,)。

你可以看到y宽度应为1,以确保你的目标矢量形状正确尝试命令

y.shape

应为(n_samples,)

就我而言,对于我的训练向量,我将来自3个不同向量化器的3个独立向量连接起来,将所有向量用作我的最终训练向量。 问题是每个向量中都有['Label']列,因此最终的训练向量包含3个['Label']列。 然后,当我使用final_trainingVect['Label']作为我的目标向量时,它的形状是n_samples,3)。