Question

我对我的MultinomialNB模型进行了K折拆分。

我试图用SMOTE（imblearn.over_sampling，lib）平衡数据

NB_pipeline = Pipeline([
                ('tfidf', TfidfVectorizer(stop_words=stop_words)),
                ('clf', OneVsRestClassifier(MultinomialNB(
                    fit_prior=True, class_prior=None))),
            ])

for train_indices, test_indices in k_fold.split(train_data):

    train_sequencies = train_data.iloc[train_indices]['NAME']
    label_train = train_data.iloc[train_indices][['SEARCH','OPTIONS_VOLUME', 'OPTIONS_QUANTITY', 'OPTIONS_PORTION', 
                                                      'OPTIONS_WEIGHT', 'OPTIONS_SIZE', 'OPTIONS_CONCENTRATION', 
                                                      'OPTIONS_CONTENT', 'OPTIONS_MANUFACTURER']]

    test_sequencies = train_data.iloc[test_indices]['NAME']
    label_test = train_data.iloc[test_indices][['SEARCH','OPTIONS_VOLUME', 'OPTIONS_QUANTITY', 'OPTIONS_PORTION',
                                                'OPTIONS_WEIGHT', 'OPTIONS_SIZE', 'OPTIONS_CONCENTRATION', 
                                                'OPTIONS_CONTENT', 'OPTIONS_MANUFACTURER']]


    NB_pipeline.fit(train_sequencies, label_train)
    predictions = pipeline.predict(test_sequencies)

    confusion += confusion_matrics(test_sequencies, label_test)
    score = f1_score(test_sequencies, label_test)

    score.append(score)

我希望对多标签分类进行交叉验证

Answer 1

OneVsRestClassifier在于为每个类别（而非每个目标）配备一个分类器。

由于MultinomialNB不支持多输出目标数据，因此您可以使用MultinomialNB将每个目标容纳一个MultiOutputClassifier。这是扩展自然不支持多目标分类的分类器的简单策略。

NB_pipeline = Pipeline([
                ('tfidf', TfidfVectorizer(stop_words=stop_words)),
                ('clf', MultiOutputClassifier(MultinomialNB( fit_prior=True, class_prior=None))),])

如果您要为每个类别和每个目标都适合一个分类器（该类别适合所有其他类别。）

NB_pipeline = Pipeline([
                ('tfidf', TfidfVectorizer(stop_words=stop_words)),
                ('clf', MultiOutputClassifier(OneVsRestClassifier(MultinomialNB( fit_prior=True, class_prior=None)))),])

标签二值化不支持多输出目标数据

1 个答案: