python - 我是否在 k-fold cross_validation 中使用相同的 Tfidf 词汇表

Question

我正在基于 TF-IDF 向量空间模型进行文本分类。我只有不超过 3000 个样本。为了公平评估，我正在使用 5 折交叉评估分类器validation.但让我困惑的是，是否需要在每次fold cross-validation中重建TF-IDF Vector Space Model。也就是说，我是否需要在每次折叠交叉验证中重建词汇表并重新计算词汇表中的 IDF 值？

目前我正在基于 scikit-learn 工具包进行 TF-IDF 转换，并使用 SVM 训练我的分类器。我的方法是:首先，我将手上的样本按照3:1的比例进行划分，其中的75%用于拟合TF-IDF向量空间模型的参数。这里的参数就是尺寸词汇表和其中包含的术语，还有词汇表中每个术语的 IDF 值。然后我正在转换这个 TF-IDF SVM 中的余数 并使用这些向量进行 5 折交叉验证(值得注意的是，我不使用之前的 75% 样本进行转换)。

我的代码如下:

# train, test split, the train data is just for TfidfVectorizer() fit
x_train, x_test, y_train, y_test = train_test_split(data_x, data_y, train_size=0.75, random_state=0)
tfidf = TfidfVectorizer()
tfidf.fit(x_train)

# vectorizer test data for 5-fold cross-validation
x_test = tfidf.transform(x_test)

 scoring = ['accuracy']
 clf = SVC(kernel='linear')
 scores = cross_validate(clf, x_test, y_test, scoring=scoring, cv=5, return_train_score=False)
 print(scores)

我的困惑是，我的TF-IDF转换和5折交叉验证的方法是否正确，或者是否有必要重建TF-IDF使用训练数据的向量模型空间，然后将训练数据和测试数据转换为 TF-IDF 向量？如下:

skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=0)
for train_index, test_index in skf.split(data_x, data_y):
    x_train, x_test = data_x[train_index], data_x[test_index]
    y_train, y_test = data_y[train_index], data_y[test_index]

    tfidf = TfidfVectorizer()
    x_train = tfidf.fit_transform(x_train)
    x_test = tfidf.transform(x_test)

    clf = SVC(kernel='linear')
    clf.fit(x_train, y_train)
    y_pred = clf.predict(x_test)
    score = accuracy_score(y_test, y_pred)
    print(score)

Answer 1

您在构建 TfidfVectorizer() 时采用的 StratifiedKFold 方法是正确的方法，这样做可以确保仅基于的训练数据集。

如果您考虑在整个数据集上构建 TfidfVectorizer()，那么即使我们没有明确提供测试数据集，也会将测试数据集泄露给模型。当包含测试文档时，词汇表的大小、词汇表中每个术语的 IDF 值等参数将有很大差异。

更简单的方法可能是使用管道和 cross_validate。

用这个!

from sklearn.pipeline import make_pipeline
clf = make_pipeline(TfidfVectorizer(), svm.SVC(kernel='linear'))

scores = cross_validate(clf, data_x, data_y, scoring=['accuracy'], cv=5, return_train_score=False)
print(scores) 

注意:单独对测试数据做cross_validate是没有用的。我们必须对 [train + validation] 数据集进行操作。