- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
由于我正在努力学习这些概念,因此我将为此投入最大的赏金!我正在尝试在逻辑回归中使用一些排名数据。我想使用机器学习来制作一个关于网页是否“好”的简单分类器。这只是一个学习练习,所以我不期望有什么好结果;只是希望学习“过程”和编码技术。
我已将我的数据放入 .csv 中,如下所示:
URL WebsiteText AlexaRank GooglePageRank
在我的测试 CSV 中,我们有:
URL WebsiteText AlexaRank GooglePageRank Label
标签是二进制分类,用 1 表示“好”,用 0 表示“坏”。
我目前只使用网站文本运行我的 LR;我在上面运行 TF-IDF。
我有两个问题需要帮助。我将对这个问题给予最大的赏金,并将其奖励给最佳答案,因为我希望得到一些很好的帮助,这样我和其他人可能会学到东西。
1-10,000
。他们被排在整个互联网,因此虽然 http://www.google.com
可能排名 #1
,http://www.notasite.com
可能排名 #83904803289480
。我如何能在 Scikit 学习中对此进行规范化,以获得最佳效果从我的数据中得出结果?我正在以这种方式运行逻辑回归;我几乎可以肯定我做错了。我正在尝试在网站文本上执行 TF-IDF,然后添加其他两个相关列并拟合 Logistic 回归。如果有人能够快速验证我是否正确地使用了我想在我的 LR 中使用的三列,我将不胜感激。对于我如何改进自己的任何和所有反馈,也将在这里感谢。
loadData = lambda f: np.genfromtxt(open(f,'r'), delimiter=' ')
print "loading data.."
traindata = list(np.array(p.read_table('train.tsv'))[:,2])#Reading WebsiteText column for TF-IDF.
testdata = list(np.array(p.read_table('test.tsv'))[:,2])
y = np.array(p.read_table('train.tsv'))[:,-1] #reading label
tfv = TfidfVectorizer(min_df=3, max_features=None, strip_accents='unicode', analyzer='word',
token_pattern=r'\w{1,}', ngram_range=(1, 2), use_idf=1, smooth_idf=1,sublinear_tf=1)
rd = lm.LogisticRegression(penalty='l2', dual=True, tol=0.0001, C=1, fit_intercept=True, intercept_scaling=1.0, class_weight=None, random_state=None)
X_all = traindata + testdata
lentrain = len(traindata)
print "fitting pipeline"
tfv.fit(X_all)
print "transforming data"
X_all = tfv.transform(X_all)
X = X_all[:lentrain]
X_test = X_all[lentrain:]
print "20 Fold CV Score: ", np.mean(cross_validation.cross_val_score(rd, X, y, cv=20, scoring='roc_auc'))
#Add Two Integer Columns
AlexaAndGoogleTrainData = list(np.array(p.read_table('train.tsv'))[2:,3])#Not sure if I am doing this correctly. Expecting it to contain AlexaRank and GooglePageRank columns.
AlexaAndGoogleTestData = list(np.array(p.read_table('test.tsv'))[2:,3])
AllAlexaAndGoogleInfo = AlexaAndGoogleTestData + AlexaAndGoogleTrainData
#Add two columns to X.
X = np.append(X, AllAlexaAndGoogleInfo, 1) #Think I have done this incorrectly.
print "training on full data"
rd.fit(X,y)
pred = rd.predict_proba(X_test)[:,1]
testfile = p.read_csv('test.tsv', sep="\t", na_values=['?'], index_col=1)
pred_df = p.DataFrame(pred, index=testfile.index, columns=['label'])
pred_df.to_csv('benchmark.csv')
print "submission file created.."`
非常感谢您的所有反馈 - 如果您需要任何进一步的信息,请发帖!
最佳答案
我想 sklearn.preprocessing.StandardScaler
将是您想尝试的第一件事。 StandardScaler 将您的所有特征转换为 Mean-0-Std-1 特征。
AlexaRank
将保证分布在 0 附近并有界。 (是的,即使像 83904803289480
这样的大量 AlexaRank
值也会转换为小的 float )。当然,结果不会是 1
和 10000
之间的整数,但它们将保持与原始排名相同的顺序。在这种情况下,保持排名有界和规范化将有助于解决您的第二个问题,如下所示。83904803289480
。在这种情况下,Alexa Rank 变量支配您的 LR 拟合,TF-IDF 值的微小变化对 LR 拟合几乎没有影响。现在人们可能会认为系数应该能够调整为小/大值以解释这些特征之间的差异。在这种情况下不是 --- 重要的不仅是变量的大小,还有它们的范围。 Alexa Rank 绝对有很大的范围,在这种情况下绝对应该主导你的 LR fit。因此,我猜想使用 StandardScaler 对所有变量进行归一化以调整它们的范围会提高拟合度。 下面是缩放 X
矩阵的方法。
sc = proprocessing.StandardScaler().fit(X)
X = sc.transform(X)
不要忘记使用相同的缩放器来转换 X_test
。
X_test = sc.transform(X_test)
现在可以使用拟合程序等
rd.fit(X, y)
re.predict_proba(X_test)
查看有关 sklearn 预处理的更多信息:http://scikit-learn.org/stable/modules/preprocessing.html
编辑: 解析和列合并部分可以使用 pandas 轻松完成,即无需将矩阵转换为列表然后追加它们。此外,pandas dataframes 可以直接通过它们的列名进行索引。
AlexaAndGoogleTrainData = p.read_table('train.tsv', header=0)[["AlexaRank", "GooglePageRank"]]
AlexaAndGoogleTestData = p.read_table('test.tsv', header=0)[["AlexaRank", "GooglePageRank"]]
AllAlexaAndGoogleInfo = AlexaAndGoogleTestData.append(AlexaAndGoogleTrainData)
请注意,我们将 header=0
参数传递给 read_table 以维护 tsv 文件中的原始 header 名称。还要注意我们如何使用整组列进行索引。最后,您可以使用 numpy.hstack
stack 这个带有 X
的新矩阵。
X = np.hstack((X, AllAlexaAndGoogleInfo))
hstack
水平组合两个长度相同的多维类数组结构。
关于python - 在逻辑回归中使用排名数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/22117692/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!