带有数组的Python Sklearn流水线

时间:2018-07-06 20:43:49

标签: python scikit-learn pipeline

我正在尝试使用Python和Sklearn创建分类器。我目前已成功导入所有数据。我一直在尝试按照here的教程进行操作,在进行过程中对其进行了一些更改。在项目的后期,我意识到他们的培训和测试数据与我的有很大不同。如果我理解正确,他们会有这样的事情:

X_train = ['Article or News article here', 'Anther News Article or Article here', ...]
y_train = ['Article Type', 'Article Type', ...]
#Same for the X_test and y_test

虽然我有这样的东西:

X_train = [['Dylan went in the house. Robert left the house', 'Where is Dylan?'], ['Mary ate the apple. Tom ate the cake', 'Who ate the cake?'], ...]
y_train = ['In the house.', 'Tom ate the cake']
#Same for the X_test and y_test

当我尝试使用管道训练分类器时:

text_clf = Pipeline([('vect', CountVectorizer(stop_words='english')),
     ('tfidf', TfidfTransformer(use_idf=True)),
     ('clf', SGDClassifier(loss='hinge', penalty='l2', alpha=1e-3, random_state=42, 
     verbose=1)),])

我得到了错误:

AttributeError: 'list' object has no attribute 'lower'

在这一行:

text_clf.fit(X_train, y_train)

经过研究后,我现在知道这是因为我要为X_train数据输入一个数组而不是字符串。 所以我的问题是,我该如何构造一个管道来接受X_train数据的数组和接受y_train数据的字符串?这可能与管道有关吗?

1 个答案:

答案 0 :(得分:1)

您可以使用tokenizer属性将CountVectorizer作为单个文档告诉每个列表,然后将lowercase选项设置为False

text_clf = Pipeline([('vect', CountVectorizer(tokenizer=lambda single_doc: single_doc,stop_words='english',lowercase=False)),
 ('tfidf', TfidfTransformer(use_idf=True)),
 ('clf', SGDClassifier(loss='hinge', penalty='l2', alpha=1e-3, random_state=42, 
 verbose=1)),])