Scikits-learn：将自定义词汇与Pipeline一起使用

Question

在我的scikits-learn Pipeline中，我想将自定义词汇表传递给CountVectorizer（）：

text_classifier = Pipeline([
    ('count', CountVectorizer(vocabulary=myvocab)),
    ('tfidf', TfidfTransformer()),
    ('clf', LinearSVC(C=1000))
])

但是，据我所知，当我致电

时

text_classifier.fit(X_train, y_train)

Pipeline使用CountVectorizer（）的fit_transform（）方法，忽略myvocab。我怎么能修改我的管道来使用myvocab？谢谢！

Answer 1

这是scikit-learn中的一个错误，我修复了five minutes ago。感谢您发现它。我建议您从Github升级到最新版本，或者将矢量化器与管道分开作为解决方法：

count = CountVectorizer(vocabulary=myvocab)
X_vectorized = count.transform(X_train)

text_classifier = Pipeline([
    ('tfidf', TfidfTransformer()),
    ('clf', LinearSVC(C=1000))
])

text_classifier.fit(X_vectorized, y_train)

更新：由于此答案已发布，此修补程序已合并到多个scikit-learn版本中。