python - 将词袋 scikits 分类器与任意数字字段合并

Question

您将如何合并 scikits-learn classifier对词袋进行操作，对任意数字字段进行操作？

我知道这些在幕后基本上是一样的，但我无法弄清楚如何通过现有的库方法来做到这一点。例如，我的词袋分类器使用管道:

classifier = Pipeline([
    ('vectorizer', HashingVectorizer(ngram_range=(1,4), non_negative=True)),
    ('tfidf', TfidfTransformer()),
    ('clf', OneVsRestClassifier(LinearSVC())),
])
classifier.fit(['some random text','some other text', ...], [CLS_A, CLS_B, ...])

而我的其他用法是这样的:

classifier = LinearSVC()
classifier.fit([1.23, 4.23, ...], [CLS_A, CLS_B, ...])

我将如何构建可以同时使用两组数据进行训练的 LinearSVC 分类器？例如

classifier = ?
classifier.fit([('some random text',1.23),('some other text',4.23), ...], [CLS_A, CLS_B, ...])

Answer 1

简单的方法:

import scipy.sparse

tfidf = Pipeline([
    ('vectorizer', HashingVectorizer(ngram_range=(1,4), non_negative=True)),
    ('tfidf', TfidfTransformer()),
])
X_tfidf = tfidf.fit_transform(texts)

X_other = load_your_other_features()

X = scipy.sparse.hstack([X_tfidf, X_other])

clf = LinearSVC().fit(X, y)

允许您将所有内容保存在一个 Pipeline 中的原则性解决方案是将散列、tf-idf 和您的其他特征提取方法包装在几个简单的转换器对象中，并将它们放在一个FeatureUnion，但很难根据您提供的信息判断代码的外观。

(P.S. 正如我在 SO、邮件列表和其他地方一直说的那样，OneVsRestClassifier(LinearSVC()) 没用。LinearSVC 开箱即用 OvR，所以这只是一种较慢的拟合 OvR SVM 的方法。)