基于TFIDF分数的KNN文本分类方法

Question

我有一个CSV文件(语料库.csv)在语料库中使用以下格式的分级摘要（文本）：

Institute,    Score,    Abstract


----------------------------------------------------------------------


UoM,    3.0,    Hello, this is abstract one

UoM,    3.2,    Hello, this is abstract two and yet counting.

UoE,    3.1,    Hello, yet another abstract but this is a unique one.

UoE,    2.2,    Hello, please no more abstract.

我正在尝试用python创建一个KNN分类程序，它能够获得一个用户输入摘要，例如，“这是一个新的唯一摘要”，然后将这个用户输入摘要分类到最接近语料库（CSV）的地方，并返回预测摘要的分数/等级。我怎么才能做到呢？在

我有以下代码：

^{pr2}$

在前面提到的代码中，如何使用TF-IDF计算中的特性进行KNN分类？（可能使用sklearn.NeighborsClassifier框架）

注：本申请案例的等级为摘要的相应分数/等级。在

我有视觉深度学习的背景，但是，我缺乏文本分类的知识，尤其是使用KNN。任何帮助都将不胜感激。提前谢谢你。在

Answer 1

KNN是一种分类算法-这意味着您必须有一个class属性。KNN可以使用TFIDF的输出作为输入矩阵-TrainX，但是对于数据中的每一行，仍然需要trany-the类。但是，你可以使用KNN回归。 用你的分数作为类变量：

from sklearn.feature_extraction.text import TfidfVectorizer
from nltk.corpus import stopwords
import numpy as np
import pandas as pd
from csv import reader,writer
import operator as op
import string
from sklearn import neighbors

#Read data from corpus
r = reader(open('corpus.csv','r'))
abstract_list = []
score_list = []
institute_list = []
row_count = 0
for row in list(r)[1:]:
    institute,score,abstract = row[0], row[1], row[2]
    if len(abstract.split()) > 0:
      institute_list.append(institute)
      score = float(score)
      score_list.append(score)
      abstract = abstract.translate(string.punctuation).lower()
      abstract_list.append(abstract)
      row_count = row_count + 1

print("Total processed data: ", row_count)

#Vectorize (TF-IDF, ngrams 1-4, no stop words) using sklearn  >
vectorizer = TfidfVectorizer(analyzer='word', ngram_range=(1,4),
                     min_df = 0, stop_words = 'english', sublinear_tf=True)
response = vectorizer.fit_transform(abstract_list)
classes = score_list
feature_names = vectorizer.get_feature_names()

clf = neighbors.KNeighborsRegressor(n_neighbors=1)
clf.fit(response, classes)
clf.predict(response)

“预测”将预测每个实例的分数。在