python - 如何将 TfidfVectorizer 的输出提供给 Sklearn 中的 LinearSVC 分类器？

Question

我正在尝试在 Scikit learn 中使用 LinearSVC 构建线性分类器。我决定使用 tf-idf 向量化来对文本输入进行向量化。我写的代码是:

review_corpus = list(train_data_df['text'])
vectorizer = TfidfVectorizer(max_df = 0.9,stop_words = 'english')
%timeit tfidf_matrix = vectorizer.fit_transform(review_corpus)

我现在想使用此 tfidf_matrix 训练 SVM 模型，并使用它来预测相应测试集的类/标签:test_data_df['text']。 我遇到的问题:

1. 仅使用训练数据来构建 TfIdfVectorizer 是否正确，还是应该同时使用训练和测试文本数据来构建矢量化器？

2. 主要问题是:如何获得测试数据的矩阵表示？目前，我不确定如何从矢量化器中获取测试集中不同文档的 tfidf 分数。我尝试的是循环遍历 Pandas 系列 test_data_df['text'] 然后执行以下操作:

   tfidf_matrix.todense(list(text)
   

对于系列中的每个文本，将结果放入列表中，最后从中创建一个 numpy 数组，但出现内存错误。

Answer 1

1. 您应该仅使用训练数据来构建 TfIdfVectorizer()。这将确保您在训练过程中不会泄露有关测试数据的任何信息。

2. 使用

   tfidf_matrix_test = vectorizer.transform(test_data_df['text'])
   

现在您可以将 tfidf_matrix_test 提供给分类器。

附注:

尽量避免将向量化器的稀疏矩阵输出转换为列表或密集数组。因为它是内存密集型的，分类器在训练/预测时也会花费更多的计算时间。