python - Keras fit_to_text 对整个 x_data 还是只对 train_data 更好？

Question

我有一个包含文本列的数据框。我将它们分为 x_train 和 x_test。

我的问题是，是对整个 x 数据集还是仅对 x_train 执行 Keras 的 Tokenizer.fit_on_text() 更好？

像这样:

tokenizer = Tokenizer()
tokenizer.fit_on_texts(x_data)

或

tokenizer.fit_on_texts(x_train)        # <- fixed typo
tokenizer.texts_to_sequences(x_train)

重要吗？稍后我还必须对 x_test 进行分词，所以我可以只使用相同的分词器吗？

Answer 1

尽管this question中的信息很好，确实，还有更重要的事情需要注意:

You MUST use the same tokenizer in training and test data

否则，每个数据集都会有不同的标记。每个分词器都有一个使用 fit_on_texts 创建的内部字典。

不能保证训练数据和测试数据具有相同频率的相同单词，因此每个数据集都会创建不同的词典，并且测试数据的所有结果都是错误的。

这也意味着您不能fit_on_texts，训练然后再次fit_on_texts:这会改变内部字典。

可以拟合整个数据。但是，为“未知”词保留标记 (oov_token=True) 可能是一个更好的主意，因为当您发现新的测试数据包含您的模型从未见过的词时(这需要您替换训练数据中的稀有词也带有此标记)。

正如@Fernando H 提到的，最好只使用训练数据来拟合分词器(尽管如此，即使在训练数据中你也必须保留一个 oov 标记(模型必须学习如何处理 oov)。

---

用未知词测试分词器:

以下测试表明，当未设置 oov_token 时，分词器会完全忽略未知词。这可能不是一个好主意。未知词可能是句子中的关键词，简单地忽略它们可能比知道那里有未知的东西更糟糕。

import numpy as np
from keras.layers import *
from keras.models import Model
from keras.preprocessing.text import Tokenizer

training = ['hey you there', 'how are you', 'i am fine thanks', 'hello there']
test = ['he is fine', 'i am fine too']

tokenizer = Tokenizer()
tokenizer.fit_on_texts(training)

print(tokenizer.texts_to_sequences(training))
print(tokenizer.texts_to_sequences(test))

输出:

[[3, 1, 2], [4, 5, 1], [6, 7, 8, 9], [10, 2]]
[[8], [6, 7, 8]]

现在，这表明分词器会将索引 1 归因于所有未知词:

tokenizer2 = Tokenizer(oov_token = True)
tokenizer2.fit_on_texts(training)
print(tokenizer2.texts_to_sequences(training))
print(tokenizer2.texts_to_sequences(test))

输出:

[[4, 2, 3], [5, 6, 2], [7, 8, 9, 10], [11, 3]]
[[1, 1, 9], [7, 8, 9, 1]]

但是将训练数据中的一组稀有词也替换为 1 可能会很有趣，因此您的模型具有如何处理未知词的概念。