我有同样的问题,已在 here 中提出过:
我有一个关于在 sklearn
中的文本分类中使用交叉验证的问题。在交叉验证之前对所有数据进行向量化是有问题的,因为分类器会“看到”测试数据中出现的词汇。 Weka
通过过滤分类器来解决这个问题。该函数的 sklearn 等价物是什么?我的意思是,对于每次折叠,特征集都会不同,因为训练数据不同。
但是,因为我在分类步骤和分类步骤之间对数据进行了大量处理,所以我无法使用管道......并且尝试自行实现交叉验证作为整个过程的外循环...关于这方面的任何指导,因为我对 python 和sickitlearn 都很陌生
最佳答案
我认为使用交叉验证迭代器作为外循环是一个好主意,也是一个起点,可以使您的步骤清晰易读:
from sklearn.cross_validation import KFold
X = np.array(["Science today", "Data science", "Titanic", "Batman"]) #raw text
y = np.array([1, 1, 2, 2]) #categories e.g., Science, Movies
kf = KFold(y.shape[0], n_folds=2)
for train_index, test_index in kf:
x_train, y_train = X[train_index], y[train_index]
x_test, y_test = X[test_index], y[test_index]
#Now continue with your pre-processing steps..
关于python - 交叉验证和文本分类,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/38026842/