直截了当:
1)我的目标是应用NLP和机器学习算法将包含句子的数据集分为5种不同类型的类别(数值)。例如,“我想知道我的订单详情->1”。
代码:
import numpy as np
import pandas as pd
dataset = pd.read_csv('Ecom.tsv', delimiter = '\t', quoting = 3)
import re
import nltk
nltk.download('stopwords')
from nltk.corpus import stopwords
from nltk.stem.porter import PorterStemmer
corpus = []
for i in range(0, len(dataset)):
review = re.sub('[^a-zA-Z]', ' ', dataset['User'][i])
review = review.lower()
review = review.split()
ps = PorterStemmer()
review = [ps.stem(word) for word in review if not word in set(stopwords.words('english'))]
review = ' '.join(review)
corpus.append(review)
# # Creating the Bag of Words model
from sklearn.feature_extraction.text import CountVectorizer
cv = CountVectorizer()
X = cv.fit_transform(corpus).toarray()
y = dataset.iloc[:, 1].values
# Splitting the dataset into the Training set and Test set
from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.20, random_state = 0)
# Fitting Naive Bayes to the Training set
from sklearn.naive_bayes import GaussianNB
classifier = GaussianNB()
classifier.fit(X_train, y_train)
# Predicting the Test set results
y_pred = classifier.predict(X_test)
# Making the Confusion Matrix
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)
这里一切都很好,模型经过很好的训练,可以为测试数据预测正确的结果。在
2)现在我想用这个经过训练的模型来预测一个新句子的类别。所以我用数据集的方式对文本进行预处理。在
代码:
^{pr2}$值错误:操作数无法与形状(4,4)(33,)一起广播。
我唯一能理解的是,当我第一次训练模型时,当我转换我的语料库时,numpy数组的形状是(18,33)。第二次当我试图预测一个新的输入时,当我使用fit_transform()转换处理过的文本时,numpy数组的形状是(4,4)。在
我不知道这里是否有我申请错误的流程?什么是决议。提前谢谢!:)
你把问题搞定了!在
假设你有一个由33个不同单词组成的语料库,那么在训练时你的单词包将有33列。现在你使用的是另一个只有4个不同单词的语料库。最后得到一个有4列的矩阵,模型不会喜欢的!因此,您需要将第二个语料库放在与开始时相同的单词包矩阵中,共有33列。有不同的方法可以做到这一点,很好地解释了here。在
例如,一种方法是用
fit()
保存训练时使用的transform
对象,然后在测试时应用它(仅transform()
)!在相关问题 更多 >
编程相关推荐