Question

我正在开发一个推特分类器。我训练了带有tfidf数据集的knn clasiffier，其中每行的长度为3.173，在训练了模型之后，将其加载到文件中以便对新的tweet进行分类。

问题在于，每当我提取新的tweet并尝试对其分类时，tfidf的长度取决于新提取的tweet的词汇表，因此该模型无法对这些新的tweet进行分类。

我已经搜索并尝试解决这一问题两天了，但是没有找到有效的解决方案。如何有效地将查询数据的维度调整为训练数据的维度？

这是我的代码：

 #CLASIFICA TWEETS TASS TEST
    clf = joblib.load('files/model_knn_pos.sav')

    #Carga los tweets
    dfNew = pd.read_csv(f'files/tweetsTASStestCaract.csv', encoding='UTF-8',sep='|')

    #Preprocesa 
    prepro = Preprocesado()
    dfNew['clean_text'] = prepro.procesa(dfNew['tweet'])

    #Tercer excluso
    dfNew['type'].replace(['NEU','N','NONE'], 'NoPos', inplace=True)

    #Funcion auxiliar para crear los vectores
    def tokenize(s):
        return s.split()

    #Creo un vector por cada tweet, tendré en cuenta las palabras q aparezcan al menos 3 veces
    vect = TfidfVectorizer(tokenizer=tokenize, ngram_range=(1, 2), max_df=0.75, min_df=3, sublinear_tf=True)
    muestra = vect.fit_transform(dfNew['clean_text']).toarray().tolist()

    #Caracterizo los tweets a clasificar
    for i in range(len(muestra)):
            caract=dfNew.drop(columns=['tweet','clean_text','type']).values[i]
            muestra[i].extend(caract)

    #Clasifica pos
    y_train=dfNew['type'].values
    resultsPos = clf.predict(muestra)
    print(Counter(resultsPos))

这是我得到的错误：

文件“ sklearn / neighbors / binary_tree.pxi”，第1294行，在   sklearn.neighbors.kd_tree.BinaryTree.query

ValueError：查询数据维必须与训练数据维匹配

Answer 1

解决方案很简单：

您需要对训练数据使用vect.fit_transform()。但是，使用测试数据时，只需使用vect.transform()。

查询数据维度必须与训练数据维度匹配

1 个答案: