我正在尝试使用 this 之后的 SGDClassifier 对短语进行分类教程
我的管道如下所示:
p_clf = Pipeline([('vect', CountVectorizer(analyzer='word', ngram_range=(1, 2),
token_pattern=r'\b\w+\b', min_df=1)),
('tfidf', TfidfTransformer()),
('clf', SGDClassifier(loss='log', penalty='l2',
alpha=1e-3, n_iter=5, random_state=42)), ])
尽管我得到了正确的分类,但我不明白为什么它将字母视为特征而不是整个单词。在此示例中,当我调用 predict_proba('Hello')
时,我得到:
[[ 0.15889614 0.23752053 0.4353584 0.16822494]
[ 0.15889614 0.23752053 0.4353584 0.16822494]
[ 0.15889614 0.23752053 0.4353584 0.16822494]
[ 0.15889614 0.23752053 0.4353584 0.16822494]
[ 0.11579265 0.19786962 0.36811551 0.31822223]]
每一行都是一个字母,每一列都是我的类(class)。 不是应该只有一行吗?
最佳答案
在您的情况下 'Hello'
被解释为字符数组,例如 ['H','e','l','l','o']
. (请记住,predict_proba
需要一个数组或稀疏矩阵作为输入。)这可以通过将字符串放入列表中来解决:
predict_proba(['Hello'])
关于python - Scikit SGDClassifier 使用字母而不是单词作为特征,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35603508/