scikit-learn - SMOTE初始化期望n_neighbors <= n_samples，但n_samples <n_neighbors

Question

我已经预先清理了数据，下面显示了前4行的格式:

     [IN] df.head()

    [OUT]   Year    cleaned
         0  1909    acquaint hous receiv follow letter clerk crown...
         1  1909    ask secretari state war whether issu statement...
         2  1909    i beg present petit sign upward motor car driv...
         3  1909    i desir ask secretari state war second lieuten...
         4  1909    ask secretari state war whether would introduc...

我已经按如下方式调用train_test_split():

     [IN] X_train, X_test, y_train, y_test = train_test_split(df['cleaned'], df['Year'], random_state=2)
   [Note*] `X_train` and `y_train` are now Pandas.core.series.Series of shape (1785,) and `X_test` and `y_test` are also Pandas.core.series.Series of shape (595,)

然后，我使用以下TfidfVectorizer和fit/transform过程矢量化了X训练和测试数据:

     [IN] v = TfidfVectorizer(decode_error='replace', encoding='utf-8', stop_words='english', ngram_range=(1, 1), sublinear_tf=True)
          X_train = v.fit_transform(X_train)
          X_test = v.transform(X_test)

我现在处于通常应用分类器等的阶段(如果这是一组平衡的数据)。但是，我初始化了imblearn的SMOTE()类(以执行过度采样)...

     [IN] smote_pipeline = make_pipeline_imb(SMOTE(), classifier(random_state=42))
          smote_model = smote_pipeline.fit(X_train, y_train)
          smote_prediction = smote_model.predict(X_test)

...但这导致:

     [OUT] ValueError: "Expected n_neighbors <= n_samples, but n_samples = 5, n_neighbors = 6.

我试图减少n_neighbors的数量，但无济于事，任何提示或建议将不胜感激。谢谢阅读。

------------------------------------------------- -------------------------------------------------- ---------------------------------

编辑:

Full Traceback

数据集/数据框(df)包含两列2380行，如上面的df.head()所示。 X_train以字符串列表(df['cleaned'])的格式包含1785行，y_train也包含字符串(df['Year'])格式的1785行。

使用TfidfVectorizer()进行后向量化:X_train和X_test分别从形状为((1785，)'和'(595，)'的pandas.core.series.Series转换为形状为'(1785，126459)'和'(595，126459)'的scipy.sparse.csr.csr_matrix 。

至于类的数量:使用Counter()，我计算出有199个类(年)，每个类的实例都附加到上述df['cleaned']数据的一个元素上，该数据包含从文本语料库中提取的字符串列表。

此过程的目标是根据语音提示自动确定/猜测输入文本数据的年，十年或世纪(可以进行任何分类!)。

Answer 1

由于训练集中大约有200个类(class)和1800个样本，因此每个类(class)平均要有9个样本。出现此错误消息的原因是:a)数据可能不完全平衡，并且某些类的样本数少于6，并且b)邻居数为6。针对您的问题的一些解决方案:

计算199个类别中的最小样本数(n_samples)，并选择SMOTE类别的n_neighbors参数小于或等于n_samples。

排除使用ratio类的SMOTE参数以n_samples

使用没有类似限制的RandomOverSampler类。

结合3和4解决方案:创建一个使用SMOTE和RandomOversampler的管道，该管道满足smoted类的条件n_neighbors <= n_samples，并在不满足条件时使用随机过采样。