python - 在 nltk 中使用 scikit-learn 分类器，多类案例

Question

分类文本文档是simple task with scikit-learn但是在 NLTK 中没有对此的明确支持，也有像 this 这样的困难方式的样本。 .我想用 NLTK 进行预处理并用 sckit-learn 进行分类，我在 NLTK 中找到了 SklearnClassifier，但是有一个小问题。

在 scikit-learn 中一切正常:

from sklearn.naive_bayes import MultinomialNB
from sklearn.multiclass import OneVsRestClassifier

X_train = [[0, 0], [0, 1], [1, 1]]
y_train = [('first',), ('second',), ('first', 'second')]

clf = OneVsRestClassifier(MultinomialNB())
clf.fit(X_train, y_train)
print clf.classes_

结果是 ['first' 'second']，这是我的期望。但是当我尝试在 NLTK 中使用相同的代码时:

from nltk.classify import SklearnClassifier

X_train = [{'a': 1}, {'b': 1}, {'c': 1}]
y_train = [('first',), ('second',), ('first', 'second')]
clf = SklearnClassifier(OneVsRestClassifier(MultinomialNB()))
clf.train(zip(X_train, y_train))
print clf.labels()

结果是 [('first',), ('second',), ('first', 'second')] 但它不是正确的结果。有什么解决办法吗？

Answer 1

scikit-learn 的 NLTK 包装器不知道多标签分类，它不应该知道，因为它没有实现 MultiClassifierI .实现它需要一个单独的类。

您可以实现缺少的功能，也可以在没有包装器的情况下使用 scikit-learn。较新版本的 scikit-learn 有一个 DictVectorizer 接受与 NLTK 包装器接受的输入大致相同的输入:

from sklearn.feature_extraction import DictVectorizer

X_train_raw = [{'a': 1}, {'b': 1}, {'c': 1}]
y_train = [('first',), ('second',), ('first', 'second')]

v = DictVectorizer()
X_train = v.fit_transform(X_train_raw)

clf = OneVsRestClassifier(MultinomialNB())
clf.fit(X_train, y_train)

然后您可以使用 X_test = v.transform(X_test_raw) 将测试样本转换为矩阵。 sklearn.pipeline.Pipeline 通过将矢量化器和分类器绑定(bind)在一个对象中使这更容易。

免责声明:根据FAQ ，我应该公开我的隶属关系。我为 scikit-learn 编写了 DictVectorizer 和 NLTK 包装器。