- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我正在尝试创建一个分类器来对网站进行分类。我是第一次这样做,所以这对我来说都是全新的。目前我正在尝试在网页的几个部分(例如标题、文本、标题)上做一些词袋。它看起来像这样:
from sklearn.feature_extraction.text import CountVectorizer
countvect_text = CountVectorizer(encoding="cp1252", stop_words="english")
countvect_title = CountVectorizer(encoding="cp1252", stop_words="english")
countvect_headings = CountVectorizer(encoding="cp1252", stop_words="english")
X_tr_text_counts = countvect_text.fit_transform(tr_data['text'])
X_tr_title_counts = countvect_title.fit_transform(tr_data['title'])
X_tr_headings_counts = countvect_headings.fit_transform(tr_data['headings'])
from sklearn.feature_extraction.text import TfidfTransformer
transformer_text = TfidfTransformer(use_idf=True)
transformer_title = TfidfTransformer(use_idf=True)
transformer_headings = TfidfTransformer(use_idf=True)
X_tr_text_tfidf = transformer_text.fit_transform(X_tr_text_counts)
X_tr_title_tfidf = transformer_title.fit_transform(X_tr_title_counts)
X_tr_headings_tfidf = transformer_headings.fit_transform(X_tr_headings_counts)
from sklearn.naive_bayes import MultinomialNB
text_nb = MultinomialNB().fit(X_tr_text_tfidf, tr_data['class'])
title_nb = MultinomialNB().fit(X_tr_title_tfidf, tr_data['class'])
headings_nb = MultinomialNB().fit(X_tr_headings_tfidf, tr_data['class'])
X_te_text_counts = countvect_text.transform(te_data['text'])
X_te_title_counts = countvect_title.transform(te_data['title'])
X_te_headings_counts = countvect_headings.transform(te_data['headings'])
X_te_text_tfidf = transformer_text.transform(X_te_text_counts)
X_te_title_tfidf = transformer_title.transform(X_te_title_counts)
X_te_headings_tfidf = transformer_headings.transform(X_te_headings_counts)
accuracy_text = text_nb.score(X_te_text_tfidf, te_data['class'])
accuracy_title = title_nb.score(X_te_title_tfidf, te_data['class'])
accuracy_headings = headings_nb.score(X_te_headings_tfidf, te_data['class'])
这工作正常,我得到了预期的准确性。然而,正如您可能已经猜到的那样,这看起来很困惑并且充满了重复。那么我的问题是,有没有办法把它写得更简洁?
此外,我不确定如何将这三个特征组合成一个多项式分类器。我尝试将 tfidf 值列表传递给 MultinomialNB().fit()
,但显然这是不允许的。
可选地,为特征添加权重也很好,这样在最终的分类器中,一些向量比其他向量具有更高的重要性。
我猜我需要 pipeline
但我完全不确定在这种情况下我应该如何使用它。
最佳答案
首先,可以使用 TfidfVectorizer 删除 CountVectorizer 和 TfidfTransformer (本质上是两者的结合)。
其次,TfidfVectorizer 和 MultinomialNB 可以组合在 Pipeline 中.管道按顺序应用转换列表和最终估计器。当在 Pipeline
上调用 fit()
时,它会一个接一个地拟合所有变换并变换数据,然后使用最终估计器拟合变换后的数据。当 score()
或 predict()
被调用时,它只调用所有转换器上的 transform()
和 score()
或 predict()
最后一个。
所以代码看起来像这样:
from sklearn.pipeline import Pipeline
pipeline = Pipeline([('vectorizer', TfidfVectorizer(encoding="cp1252",
stop_words="english",
use_idf=True)),
('nb', MultinomialNB())])
accuracy={}
for item in ['text', 'title', 'headings']:
# No need to save the return of fit(), it returns self
pipeline.fit(tr_data[item], tr_data['class'])
# Apply transforms, and score with the final estimator
accuracy[item] = pipeline.score(te_data[item], te_data['class'])
编辑:编辑以包括所有功能的组合以获得单一精度:
为了结合结果,我们可以采用多种方法。下面是一个易于理解的(但又有点困惑的一面):
# Using scipy to concatenate, because tfidfvectorizer returns sparse matrices
from scipy.sparse import hstack
def get_tfidf(tr_data, te_data, columns):
train = None
test = None
tfidfVectorizer = TfidfVectorizer(encoding="cp1252",
stop_words="english",
use_idf=True)
for item in columns:
temp_train = tfidfVectorizer.fit_transform(tr_data[item])
train = hstack((train, temp_train)) if train is not None else temp_train
temp_test = tfidfVectorizer.transform(te_data[item])
test = hstack((test , temp_test)) if test is not None else temp_test
return train, test
train_tfidf, test_tfidf = get_tfidf(tr_data, te_data, ['text', 'title', 'headings'])
nb = MultinomialNB()
nb.fit(train_tfidf, tr_data['class'])
nb.score(test_tfidf, te_data['class'])
第二种方法(也是更可取的方法)是将所有这些都包含在管道中。但是由于选择了不同的列('text'、'title'、'headings')并连接了结果,它并不是那么简单。我们需要为它们使用 FeatureUnion。特别是以下示例:
第三,如果你开放使用其他库,那么DataFrameMapper
来自 sklearn-pandas
可以简化前面示例中使用的 FeatureUnion 的使用。
如果您确实想走第二条或第三条路,如有困难,请随时联系。
注意:我没有检查过代码,但它应该可以工作(如果有的话,少一些语法错误)。将尽快在我的电脑上检查。
关于python - 改进流 Python 分类器并组合功能,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44207142/
这个问题在这里已经有了答案: Why filter() after flatMap() is "not completely" lazy in Java streams? (8 个答案) 关闭 6
我正在创建一个应用程序来从 Instagram 收集数据。我正在寻找像 Twitter 流 API 这样的流 API,这样我就可以自动实时收集数据而无需发送请求。 Instagram 有类似的 API
我正在使用 Apache Commons 在 Google App Engine 中上传一个 .docx 文件,如此链接中所述 File upload servlet .上传时,我还想使用 Apach
我尝试使用 DynamoDB 流和 AWS 提供的 Java DynamoDB 流 Kinesis 适配器捕获 DynamoDB 表更改。我正在 Scala 应用程序中使用 AWS Java 开发工具
我目前有一个采用 H.264 编码的 IP 摄像机流式视频 (RTSP)。 我想使用 FFmpeg 将此 H.264 编码流转换为另一个 RTSP 流,但 MPEG-2 编码。我该怎么做?我应该使用哪
Redis 流是否受益于集群模式?假设您有 10 个流,它们是分布在整个集群中还是都分布在同一节点上?我计划使用 Redis 流来实现真正的高吞吐量(200 万条消息/秒),所以我担心这种规模的 Re
这件事困扰了我一段时间。 所以我有一个 Product 类,它有一个 Image 列表(该列表可能为空)。 我想做 product.getImages().stream().filter(...) 但
是否可以使用 具有持久存储的 Redis 流 还是流仅限于内存数据? 我知道可以将 Redis 与核心数据结构的持久存储一起使用,但我已经能够理解是否也可以使用 Redis 中的流的持久存储。 最佳答
我开始学习 Elixir 并遇到了一个我无法轻松解决的挑战。 我正在尝试创建一个函数,该函数接受一个 Enumerable.t 并返回另一个 Enumerable.t ,其中包含下 n 个项目。它与
我试图从 readLine 调用创建一个无限的字符串流: import java.io.{BufferedReader, InputStreamReader} val in = new Buffere
你能帮我使用 Java 8 流 API 编写以下代码吗? SuperUser superUser = db.getSuperUser; for (final Client client : super
我正在尝试服用补品routeguide tutorial,并将客户端变成rocket服务器。我只是接受响应并将gRPC转换为字符串。 service RouteGuide { rpc GetF
流程代码可以是run here. 使用 flow,我有一个函数,它接受一个键值对对象并获取它的值 - 它获取的值应该是字符串、数字或 bool 值。 type ValueType = string
如果我有一个函数返回一个包含数据库信息的对象或一个空对象,如下所示: getThingFromDB: async function(id:string):Promise{ const from
我正在尝试使用javascript api和FB.ui将ogg音频文件发布到流中, 但是我不知道该怎么做。 这是我给FB.ui的电话: FB.ui( { method: '
我正在尝试删除工作区(或克隆它以使其看起来像父工作区,但我似乎两者都做不到)。但是,当我尝试时,我收到此消息:无法删除工作区 test_workspace,因为它有一个非空的默认组。 据我所知,这意味
可以使用 Stream|Map 来完成此操作,这样我就不需要将结果放入外部 HashMap 中,而是使用 .collect(Collectors.toMap(...)); 收集结果? Map rep
当我们从集合列表中获取 Stream 时,幕后到底发生了什么?我发现很多博客都说Stream不存储任何数据。如果这是真的,请考虑代码片段: List list = new ArrayList(); l
我对流及其工作方式不熟悉,我正在尝试获取列表中添加的特定对象的出现次数。 我找到了一种使用Collections来做到这一点的方法。其过程如下: for (int i = 0; i p.conten
我希望将一个 map 列表转换为另一个分组的 map 列表。 所以我有以下 map 列表 - List [{ "accId":"1", "accName":"TestAcc1", "accNumber
我是一名优秀的程序员,十分优秀!