我有一个带有 product_description, price, supplier, category
的零售数据集作为列。
我用过 product_description
作为特征:
from sklearn import model_selection, preprocessing, naive_bayes
# split the dataset into training and validation datasets
train_x, valid_x, train_y, valid_y = model_selection.train_test_split(df['product_description'], df['category'])
# label encode the target variable
encoder = preprocessing.LabelEncoder()
train_y = encoder.fit_transform(train_y)
valid_y = encoder.fit_transform(valid_y)
tfidf_vect = TfidfVectorizer(analyzer='word', token_pattern=r'\w{1,}', max_features=5000)
tfidf_vect.fit(df['product_description'])
xtrain_tfidf = tfidf_vect.transform(train_x)
xvalid_tfidf = tfidf_vect.transform(valid_x)
classifier = naive_bayes.MultinomialNB().fit(xtrain_tfidf, train_y)
# predict the labels on validation dataset
predictions = classifier.predict(xvalid_tfidf)
metrics.accuracy_score(predictions, valid_y) # ~20%, very low
由于准确性非常低,我也想添加供应商和价格作为功能。如何将其合并到代码中?我尝试过其他分类器,如 LR、SVM 和 Random Forrest,但它们(几乎)得到了相同的结果。
最佳答案
TF-IDF 向量化器返回一个矩阵:每个示例一行带有分数。在将其输入分类器之前,您可以根据需要修改此矩阵。
np.concatenate
与 axis=1
.归一化实值特征通常是个好主意。此外,您可以尝试不同的分类器:逻辑回归或 SVM 可能比朴素贝叶斯对实值特征做得更好。
关于python-3.x - 如何在多文本分类中添加更多特征?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/63337368/