У меня есть текстовые файлы с документами и их описание. Я использую SGD Classifier, доступный в scikit-learn, чтобы получить два отдельных класса документов. Я обучил свою модель, используя следующий код:scikit-learn SGD Классификатор документов: Использование только важных функций
fo = open('training_data.txt','rb')
all_classes = np.array([0,1])
for i,line in enumerate(generate_in_chunks(fo,1000)):
x = [member.split('^')[2] for member in line if member!="\n"]
y = [member.split('^')[1] for member in line if member!="\n"]
vectorizer = HashingVectorizer(decode_error='ignore', n_features=2 ** 18,non_negative=True)
x_train = vectorizer.transform(x)
y_train = np.asarray(y,dtype=int)
clf = SGDClassifier(loss='log',penalty='l2',shuffle=True)
clf.partial_fit(x_train, y_train,classes=all_classes)
Теперь я использую этот объект clf в своем тестовом наборе данных. Здесь я хочу использовать преобразование упомянутых в учебнике: http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.SGDClassifier.html#sklearn.linear_model.SGDClassifier
Код:
fo = open('test_data.txt','rb')
prob_comp = open('pred_prob_actual.txt','wb')
for i,line in enumerate(generate_in_chunks(fo,21000)):
x = [member.split('^')[2] for member in line if member!="\n"]
y = [member.split('^')[1] for member in line if member!="\n"]
vectorizer = HashingVectorizer(decode_error='ignore', n_features=2 ** 18,non_negative=True)
x_test = vectorizer.transform(x)
y_test = np.asarray(y,dtype=int)
clf.predict(clf.transform(x_test))
Ошибка:
Traceback (самый последний вызов последнего):
Файл "test.py" , строка 106, в clf.predict (clf.transform (x_test)) Файл «/opt/anaconda2.2/lib/python2.7/site-packages/sklearn/linear_model/base.py», строка 223, в предсказать scores = self.decision_function (X) Файл «/opt/anaconda2.2/lib/python2.7/site-packages/sklearn/linear_model/base.py», строка 204, в решении_функции % (X.shape [ 1], n_features))
ValueError: X имеет 78 функций на образец; ожидая 206
Так что в основном это определило важные функции, но не может их использовать при прогнозировании на тестовых данных.
Любое предложение о том, как я могу использовать метод преобразования для тестовых данных, будет широко оценено. Я хочу использовать только важные функции и искать способы, которые могут помочь в этом, только чтобы сделать его более понятным. Спасибо.
Для важных функций, я предлагаю вам взглянуть на [TfIdfVectorizer] (http://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html#sklearn.feature_extraction.text.TfidfVectorizer). С его помощью вы сможете указать «min_df», который поможет вам извлечь более важные функции в документе. –