Question

我最近创建了一个hadoop作业，它需要数千个文本文件并执行一些基本的文本处理。当工作完成后，我有两个输出文件，我用来训练积极和消极的情绪。这两个文件都是这样的：

word1 num_occurrences
的 ...
wordN num_occurrences

我想使用sci-kit学习使用支持向量机进行分类，但我不确定如何，因为我不确定如何正确地标记我的数据集。所有教程都假设您将原始文本文件提供给sklearn.feature_extraction.text.CountVectorizer并且没有进行任何预处理。我也尝试过使用FeatureHasher，但是不是散列单个单词并创建稀疏矩阵，而是为我传递的每个字符创建一个哈希值。

那就是说，在给出我当前的输出文件的情况下，有没有人对提取功能的最佳方法有任何想法并将它们传递给机器学习算法？谢谢！

Answer 1

看看TfidfTransformer。

由于您使用的是文字功能，TF-IDF representation会为每个功能（字）分配一个代表其在文本中重要性的数字。这种表示在基于文本的分类中非常常见。

TfidfTransformer将输出一个矩阵，其中包含文件中使用的所有单词，每行代表一个文档，行中的每个单元格代表一个要素（单词），单元格中的值是该要素的重要性。

确保以适当的格式（矩阵）传递您的字数统计数据，然后使用此TfidfTtransformer的输出，您可以训练您的分类器。

（到目前为止我还没有使用它，只有Vectorizer版本，但我已经看到了它可以做你想做的事情。）

Answer 2

这可能会帮助您入门。

import numpy as np
import copy
from numpy import *
from sklearn.pipeline import Pipeline
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.svm import LinearSVC
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.multiclass import OneVsRestClassifier
from sklearn import preprocessing

x_temp_list = []
y_temp_list = []
y_train_text = []
temp_list = []
another_temp_list = []

with open('newtrain.csv','r') as fp:
    lines = fp.readlines()

for line in lines:
    if len(line.strip()) > 1:
        fields = line.split(',')
        if len(line.split(',')) == 2:
            x_temp_list.append(fields[0].strip())
            y_temp_list.append(fields[1].strip())

X_train = np.array(x_temp_list)
y_train_text = np.array(y_temp_list)

X_test = np.array(['Barista'])

mlb = preprocessing.LabelBinarizer()
Y = mlb.fit_transform(y_train_text)

classifier = Pipeline([
    ('vectorizer', CountVectorizer()),
    ('tfidf', TfidfTransformer()),
    ('clf', OneVsRestClassifier(LinearSVC()))])

classifier.fit(X_train, Y)
predicted = classifier.predict(X_test)
all_labels = mlb.inverse_transform(predicted)
#all_labels = lb.inverse_transform(predicted)

for item, labels in zip(X_test, all_labels):
    print '%s => %s' % (item, labels)

使用Scikit-learn标记预处理文本

2 个答案: