import numpy as np
from sklearn import linear_model
X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
Y = np.array(['C++', 'C#', 'java','python'])
clf = linear_model.SGDClassifier()
clf.fit(X, Y)
print (clf.predict([[1.7, 0.7]]))
#python
我试图通过给出一个测试用例并在训练数据X上对其进行训练来预测数组 Y 的值，现在我的问题是，我想更改训练集<从strong>X到TF-IDF特征向量，那这怎么可能呢？ 隐隐约约地，我想做这样的事情
import numpy as np
from sklearn import linear_model
X = np.array_str([['abcd', 'efgh'], ['qwert', 'yuiop'], ['xyz','abc'],['opi', 'iop']])
Y = np.array(['C++', 'C#', 'java','python'])
clf = linear_model.SGDClassifier()
clf.fit(X, Y)
最佳答案
您应该查看 TfidfVectorizer在 scikit-learn 中。 我假设 X 是要分类的文本列表。
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer = TfidfVectorizer()
X_train = vectorizer.fit_transform(X)
然后使用 X_train 作为新的 X 来训练分类器。
clf = linear_model.SGDClassifier()
clf.fit(X_train, Y)
关于python - 将 TFIDF 特征向量从 sklearn 传递到 SGDClassifier，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/32457795/