python - 值错误 : operands could not be broadcast together with shapes in Naive bayes classifier

Question

开门见山:

1) 我的目标是应用 NLP 和机器学习算法将包含句子的数据集分类为 5 种不同类型的类别(数字)。例如“我想知道我的订单详情 -> 1”。

代码:

import numpy as np
import pandas as pd

dataset = pd.read_csv('Ecom.tsv', delimiter = '\t', quoting = 3)

import re
import nltk
nltk.download('stopwords')
from nltk.corpus import stopwords
from nltk.stem.porter import PorterStemmer

corpus = []
for i in range(0, len(dataset)):
    review = re.sub('[^a-zA-Z]', ' ', dataset['User'][i])
    review = review.lower()
    review = review.split()
    ps = PorterStemmer()
    review = [ps.stem(word) for word in review if not word in set(stopwords.words('english'))]
    review = ' '.join(review)
    corpus.append(review)

# # Creating the Bag of Words model
from sklearn.feature_extraction.text import CountVectorizer
cv = CountVectorizer()
X = cv.fit_transform(corpus).toarray()
y = dataset.iloc[:, 1].values

# Splitting the dataset into the Training set and Test set
from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.20, random_state = 0)

# Fitting Naive Bayes to the Training set
from sklearn.naive_bayes import GaussianNB
classifier = GaussianNB()
classifier.fit(X_train, y_train)

# Predicting the Test set results
y_pred = classifier.predict(X_test)

# Making the Confusion Matrix
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)

此处一切正常，模型训练良好并预测测试数据的正确结果。

2) 现在我想使用这个经过训练的模型来预测新句子的类别。因此，我按照处理数据集的方式对文本进行了预处理。

代码:

#Pre processing the new input
new_text = "Please tell me the details of this order"
new_text = new_text.split()
ps = PorterStemmer()
processed_text = [ps.stem(word) for word in new_text if not word in set(stopwords.words('english'))]

vect = CountVectorizer()
Z = vect.fit_transform(processed_text).toarray()
classifier.predict(Z)

ValueError:操作数无法与形状 (4,4) (33,) 一起广播

我唯一能理解的是，当我第一次训练我的模型时转换我的语料库时，numpy 数组的形状是 (18, 33)。第二次，当我尝试预测新输入时，当我使用 fit_transform() 转换我的 processed_text 时，numpy 数组形状为 (4, 4)。

我无法弄清楚这里是否有我错误应用的过程？可以解决什么问题。提前致谢! :)

Answer 1

你答对了问题!

假设你有一个由 33 个不同单词组成的语料库，那么你在训练时的词袋将有 33 列。现在你正在使用另一个只有 4 个不同单词的语料库。你最终得到一个有 4 列的矩阵，模型不会喜欢这样!因此，您需要将第二个语料库放入与开始时相同的词袋矩阵中，包含 33 列。有不同的方法可以做到这一点，解释得很好 here .

例如，一种方法是使用 fit() 保存您在训练时使用的 transform 对象，然后在测试时应用它(仅 transform( ))!