我正在scikit learn中学习随机林,作为一个例子,我想使用随机林分类器对文本进行分类,使用我自己的数据集。因此,首先我使用tfidf将文本矢量化,并进行分类:
from sklearn.ensemble import RandomForestClassifier
classifier=RandomForestClassifier(n_estimators=10)
classifier.fit(X_train, y_train)
prediction = classifier.predict(X_test)
当我进行分类时,我得到了这个:
TypeError: A sparse matrix was passed, but dense data is required. Use X.toarray() to convert to a dense numpy array.
然后我用.toarray()
表示X_train
,得到了以下结果:
TypeError: sparse matrix length is ambiguous; use getnnz() or shape[0]
根据我的理解,从前面的question开始,我需要降低numpy数组的维数,所以我也这样做:
from sklearn.decomposition.truncated_svd import TruncatedSVD
pca = TruncatedSVD(n_components=300)
X_reduced_train = pca.fit_transform(X_train)
from sklearn.ensemble import RandomForestClassifier
classifier=RandomForestClassifier(n_estimators=10)
classifier.fit(X_reduced_train, y_train)
prediction = classifier.predict(X_testing)
然后我发现了一个例外:
File "/usr/local/lib/python2.7/site-packages/sklearn/ensemble/forest.py", line 419, in predict
n_samples = len(X)
File "/usr/local/lib/python2.7/site-packages/scipy/sparse/base.py", line 192, in __len__
raise TypeError("sparse matrix length is ambiguous; use getnnz()"
TypeError: sparse matrix length is ambiguous; use getnnz() or shape[0]
我尝试了以下操作:
prediction = classifier.predict(X_train.getnnz())
得到这个:
File "/usr/local/lib/python2.7/site-packages/sklearn/ensemble/forest.py", line 419, in predict
n_samples = len(X)
TypeError: object of type 'int' has no len()
由此提出了两个问题:如何使用随机森林进行正确分类?那X_train
怎么了?。
然后我尝试了以下方法:
df = pd.read_csv('/path/file.csv',
header=0, sep=',', names=['id', 'text', 'label'])
X = tfidf_vect.fit_transform(df['text'].values)
y = df['label'].values
from sklearn.decomposition.truncated_svd import TruncatedSVD
pca = TruncatedSVD(n_components=2)
X = pca.fit_transform(X)
a_train, a_test, b_train, b_test = train_test_split(X, y, test_size=0.33, random_state=42)
from sklearn.ensemble import RandomForestClassifier
classifier=RandomForestClassifier(n_estimators=10)
classifier.fit(a_train, b_train)
prediction = classifier.predict(a_test)
from sklearn.metrics.metrics import precision_score, recall_score, confusion_matrix, classification_report
print '\nscore:', classifier.score(a_train, b_test)
print '\nprecision:', precision_score(b_test, prediction)
print '\nrecall:', recall_score(b_test, prediction)
print '\n confussion matrix:\n',confusion_matrix(b_test, prediction)
print '\n clasification report:\n', classification_report(b_test, prediction)
如果要将相同的数据结构(类型和形状)传递给分类器的
fit
方法和predict
方法,则有点不清楚。随机森林需要很长时间才能运行大量的功能,因此建议减少链接到的帖子中的维度。您应该将SVD应用于训练和测试数据,以便分类器在与您希望预测的数据相同的形状输入上进行训练。检查输入是否匹配,预测方法的输入具有相同数量的特征,并且都是数组而不是稀疏矩阵。
更新示例:更新为使用数据帧
注意SVD发生在分割成训练集和测试集之前,因此传递给predictor的数组与调用
fit
方法的数组具有相同的n
。我对
sklearn
知之甚少,不过我隐约记得之前的一些问题,这些问题是由切换到使用稀疏矩阵引发的。在内部,一些矩阵必须用m.toarray()
或m.todense()
替换。但是为了让你知道错误信息是关于什么的,请考虑
len()
通常在Python中用于计算列表的一级项的数量。应用于二维数组时,它是行数。但是A.shape[0]
是计算行数的更好方法。和M.shape[0]
是一样的。在本例中,您对.getnnz
不感兴趣,它是稀疏矩阵的非零项数。A
没有此方法,但可以从A.nonzero()
派生。相关问题 更多 >
编程相关推荐