在使用 scikit-learn 对文本文档进行分类时,您是否首先进行交叉验证,然后进行特征提取或其他方式?
这是我的管道:
union = FeatureUnion(
transformer_list = [
('tfidf', TfidfVectorizer()),
('featureEx', FeatureExtractor()),
('spell_chker', Spellingchecker()),
], n_jobs = -1)
我按照以下方式进行操作,但我想知道是否应该先提取特征并进行交叉验证。在此示例中,X
是文档列表,y
是标签。
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size= 0.2)
X_train = union.fit_transform(X_train)
X_test = union.transform(X_test)
ch2 = SelectKBest(f_classif, k = 7000)
X_train = ch2.fit_transform(X_train, y_train)
X_test = ch2.transform(X_test)
clf = SVC(C=1, gamma=0.001, kernel = 'linear', probability=True).fit(
X_train , y_train)
print("classification report:")
y_true, y_pred = y_test, clf.predict(X_test)
print(classification_report(y_true, y_pred))
print()
最佳答案
进行特征选择,然后对这些特征进行交叉验证有时在文本数据上很常见,但不太理想。这可能会导致过度拟合,并且交叉验证过程可能会高估您的真实准确性。
当您首先进行特征选择时,特征选择过程必须查看所有数据。交叉验证的目的是向其他人隐藏 1 倍。通过首先执行 FS,您会将一些数据知识泄漏到其他折叠中。
关于machine-learning - 使用 scikit-learn 对文本文档进行分类的交叉验证,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/32722265/