python - 使用 sklearn 通过类对字符串进行分类

Question

我在以 sklearn 接受的形式呈现数据时遇到问题我的原始数据是几百个字符串，这些字符串被分为 5 个类别之一，我有一个要分类的字符串列表，以及它们各自类别的并行列表。我正在使用 GaussianNB()

示例数据:

For such a large, successful business, I really feel like they need to be 
either choosier in their employee selection or teach their employees to 
better serve their customers.|||Class:4

它代表给定的“特征”和分类

当然，字符串本身必须先转换为向量，然后才能在分类器中使用，我尝试使用 DictVector 来执行此任务

dictionaryTraining = convertListToSentence(data)
vec = DictVectorizer()
print(dictionaryTraining)
vec.fit_transform(dictionaryTraining)

但是为了做到这一点，我必须将数据的实际分类附加到字典中，否则我会收到错误 'str' object has no attribute 'items' 我明白这是因为.fit_transform 需要特征和索引，但我不完全理解索引的用途

fit_transform(X[, y])   Learn a list of feature name -> indices mappings and transform X.

我的问题是，我如何获取字符串列表和代表其分类的数字列表，并将它们提供给 gaussianNB() 分类器，以便我可以用类似的方式呈现它 future 的字符串，它会估计字符串类？

Answer 1

由于您的输入数据采用原始文本格式，而不是字典格式，例如 {"word":number_of_occurrences, } 我相信您应该使用 CountVectorizer这将在空白处分割您的输入文本并将其转换为您需要的输入向量。

这种转换的一个简单示例是:

from sklearn.feature_extraction.text import CountVectorizer
corpus = ['This is the first document.', 'This is the second second document.', 
          'And the third one.', 'Is this the first document?',]
x = CountVectorizer().fit_transform(corpus)
print x.todense() #x holds your features. Here I am only vizualizing it