python - 我如何将新数据传递给保存的 multinomialnb 分类器？

Question

我已经能够制作一个 MultinomialNB 分类器并将其保存到 pickle 文件中以备后用(感谢 youtube 视频:https://www.youtube.com/watch?v=0kPRaYSgblM&t=927s 以及更多)。下面是我的代码:

import sklearn.datasets as skd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer

from sklearn.naive_bayes import MultinomialNB
import pickle


categories = ['alt.atheism', 'soc.religion.christian', 'comp.graphics', 'sci.med']

train_data = skd.load_files('E:/Python/Datasets/train', categories=categories, encoding='ISO-8859-1')

test_data = skd.load_files('E:/Python/Datasets/test', categories=categories, encoding='ISO-8859-1')

tf_vect = TfidfVectorizer()

tfidf_train = tf_vect.fit_transform(train_data.data)

clf = MultinomialNB().fit(tfidf_train, train_data.target)

with open('classifier', 'wb') as picklefile:
    pickle.dump(clf, picklefile)

现在，在一个单独的代码文件中，我可以将其读回新变量“new_clf”，以将此分类器与新文本数据一起使用:

import pickle

with open('E:\Python\Text Classification\classifier', 'rb') as tm:
    new_clf = pickle.load(tm)

现在，如果我直接运行之前的文件/代码并从中获取 tf_vect 变量，其中已经包含我的训练数据，我可以简单地转换其上的新文本集并将其传递给 new_clf 分类器以获得预测。

但在我的例子中，一旦模型被训练好，我想将它发送给另一个用户，该用户将有一个单独的代码文件，该文件必须读取分类器，然后将新文本传递给它进行预测。

我在这里遇到的问题是在下面的代码中(以 ValueError 结尾:维度不匹配):-

new_text = ['God is Love', 'OpenGL is fast on GPU']
new_clf.predict(new_text)

我知道我不是根据训练数据的特征来转换 new_text。但我无法弄清楚如何解决它。

我应该创建另一个包含 tf_vect 的 pickle 文件并与用户共享吗？或者它已经与分类器文件本身一起使用，而我错过了从分类器获取它的过程？

Answer 1

您确实可以保存两个 pickle 文件，一个用于矢量化器，一个用于分类器。但是，最方便和推荐的解决方案是将矢量化器和分类器组合到一个 Pipeline 对象中，然后您可以对其进行 pickle。

from sklearn.pipeline import Pipeline

tf_vect = TfidfVectorizer()
clf = MultinomialNB()
pipe = Pipeline([("vectorizer", tf_vect), ("classifier", clf)])

pipe.fit(train_data.data, train_data.target)

with open('classifier', 'wb') as picklefile:
    pickle.dump(pipe, picklefile)

然后加载该 pickle 文件后，您可以像这样将其用于新文本:

with open('/.../classifier', 'rb') as tm:
    new_pipe = pickle.load(tm)
new_pipe.predict(new_text)