- 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
我想开始使用机器学习开发应用程序。我想对文本进行分类 - 垃圾邮件或非垃圾邮件。我有 2 个文件 - spam.txt
、ham.txt
- 每个文件包含数千个句子。如果我想使用分类器,比如说 LogisticRegression
。
例如,正如我在网上看到的那样,为了适合我的模型,我需要这样做:
`lr = LogisticRegression()
model = lr.fit(X_train, y_train)`
那么我的问题来了,X_train
和 y_train
到底是什么?我怎样才能从我的句子中得到它们?我在互联网上搜索,我不明白,这是我最后一次打电话,我对这个话题很陌生。谢谢!
最佳答案
根据文档(参见 here):
X
对应于形状为 (n_samples, n_features)
的 float 特征矩阵(也就是训练集的设计矩阵)y
是形状为 (n_samples,)
的浮点目标向量(标签向量)。在您的情况下,标签 0
可能对应于垃圾邮件示例,而 1
对应于垃圾邮件示例The question is now about how to get a float feature matrix from text data.
一个常见的方案是使用 tf-idf 矢量化(更多关于 here ),它在 sklearn
中可用。 .
矢量化可以通过 Pipeline
与逻辑回归链接起来sklearn
的 API。
代码大概是这样的
from itertools import chain
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.pipeline import Pipeline
from sklearn.linear_model import LogisticRegression
import numpy as np
# prepare string data
with open('spam.txt', 'r') as f:
spam = f.readlines()
with open('ham.txt', 'r') as f:
ham = f.readlines()
text_train = list(chain(spam, ham))
# prepare labels
labels_train = np.concatenate((np.zeros(len(spam)),np.ones(len(ham))))
# build pipeline
vectorizer = TfidfVectorizer()
regressor = LogisticRegression()
pipeline = Pipeline([('vectorizer', vectorizer), ('regressor', regressor)])
# fit pipeline
pipeline.fit(text_train, labels_train)
# test predict
test = ["Is this spam or ham?"]
pipeline.predict(test) # value in [0,1]
关于python - 什么是 X_train 和 y_train?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50662425/
我是 Python 新手,我有一个关于删除数组 y_train 中 50% 的值的问题,但只删除 value = 0 的值 所以我使用train_test_split来创建x_test x_train
我想开始使用机器学习开发应用程序。我想对文本进行分类 - 垃圾邮件或非垃圾邮件。我有 2 个文件 - spam.txt、ham.txt - 每个文件包含数千个句子。如果我想使用分类器,比如说 Logi
我正在尝试构建决策树,并在网上找到了以下代码。 我的问题是: clf.score(X_train,Y_train) 在决策树中评估什么?输出如下面的屏幕截图所示,我想知道该值是什么? clf = De
我正在处理一些图像分类问题,并为此创建了 Y Network。 Y 网络是一种具有两个输入和一个输出的神经网络。如果我们想要拟合我们的 Tensorflow 模型,我们必须在 model.fit()
我有一个如下结构的数据集: Dataset/ | | -----Pothole/ | | | ------ umm001.jpg |
我有一个如下结构的数据集: Dataset/ | | -----Pothole/ | | | ------ umm001.jpg |
我有一个经典的 y_train,它由一维形状的 0(负)和 1(正)组成。我想训练一个 tensorflow 模型,但我必须用我想要的类数初始化 y 占位符。因此,在这个文本分类案例中,我希望模型检查
我使用#sample=60,000 和#features=784 训练数据 X_train。相应的标签 y_train 的 len(y_train)=60,000。 我不明白下面这段代码是如何工作的:
如果我有一个数据集 dataset = tf.keras.preprocessing.image_dataset_from_directory( directory, labels="
我使用特征 dim = [1124823,13] 和标签 dim = [1124823,1] 构建了这个声学模型,并将两者拆分为训练、测试和开发。当我尝试运行模型时出现此错误的问题 运行时错误:预期标
所以我想在拆分它们(使用分层)后对训练和测试数据集执行平均目标编码,并且为了这样做,必须将它们重新合并在一起。 我该怎么做? ,任何建议将不胜感激? , 谢谢你。 X_train, X_test
如何将数据输入到keras?结构是什么?如果我有超过 2 列,具体来说 x_train 和 y_train 是什么? 这是我要输入的数据: 我试图在这个例子中定义 Xtrain 多层感知器神经网络代码
我尝试了两种实现轻型 GBM 的方法。期望它返回相同的值,但它没有。 我以为lgb.LightGBMRegressor()和 lgb.train(train_data, test_data)将返回相同
这是一个关于 Python 2.7 和 Pandas 0.17.1 中的 scikit learn(版本 0.17.0)的问题。为了使用详细的方法分割原始数据(不丢失条目)here ,我发现如果使用分
我想使用 P>|t|值并与 vif 值进行比较,并使用代码自动消除一些列。所以我想得到 P>|t|分别 x = df.drop(['price'],axis=1) y = df['price'] fr
我是一名优秀的程序员,十分优秀!