Python:关于 SVM 编码格式的问题

Question

我想用svm来做监督机器学习。我的项目是:给定奥巴马的几次演讲和罗姆尼的几次演讲，当我们输入一个未知的演讲时，分类器可以确定哪个演讲者讲了这个演讲。

网站上的代码是这样写的:SVC、NuSVC 和 LinearSVC 将两个数组作为输入:一个大小为 [n_samples, n_features] 的数组 X，保存训练数据样本，以及整数值的数组Y，大小为[n_samples]，保存训练样本的类标签:

>>> from sklearn import svm
>>> X = [[0, 0], [1, 1]]
>>> y = [0, 1]
>>> clf = svm.SVC()
>>> clf.fit(X, y)  
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3,
gamma=0.0, kernel='rbf', max_iter=-1, probability=False, random_state=None,
shrinking=True, tol=0.001, verbose=False)

拟合后，模型可用于预测新值:

>>> clf.predict([[2., 2.]])
array([1])

我的问题:1.在我的项目中

X = [[0, 0], [1, 1]]

我应该用标签“Obama”或“Romeny”替换每个方括号中的第一个数字吗？

2.怎么样

y = [0, 1]

该组件应该替换为“奥巴马”或“罗姆尼”吗？但根据上面的代码注释，它应该是整数。

3.关于clf.predict()中的内容

clf.predict([[2., 2.]])

不应该只是您从输入中提取的特征，然后分类器决定它属于哪个类别(奥巴马或罗姆尼)。为什么有两个组件？

Answer 1

问题#1:不。您的 X 应包含您想要用来预测谁发表演讲的信息。想必这可以从演讲的文本中得出。看看the text feature extraction一些想法。

问题#2:是的，因为 y 是你想要预测的，你想要预测是奥巴马还是罗姆尼。

问题#3:有两个组件，因为在该示例中输入有两个特征。您的数据可能具有任意数量的特征。如果您使用文本数据来预测某些内容，则通常会有很多特征(在最简单的情况下，文本中每个不同单词都有一个特征，尽管您可以通过消除一些单词来修剪它，例如频繁的功能词，例如作为“该”)。