类型错误：稀疏矩阵长度不明确；使用RF分类器时使用getnnz（）或shape[0]？

Question

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)

Answer 1

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

from sklearn.feature_extraction.text import TfidfVectorizer
tfidf_vect= TfidfVectorizer(  use_idf=True, smooth_idf=True, sublinear_tf=False)
from sklearn.cross_validation import train_test_split

df= pd.DataFrame({'text':['cat on the','angel eyes has','blue red angel','one two blue','blue whales eat','hot tin roof','angel eyes has','have a cat']\
              ,'class': [0,0,0,1,1,1,0,3]})



X = tfidf_vect.fit_transform(df['text'].values)
y = df['class'].values

from sklearn.decomposition.truncated_svd import TruncatedSVD        
pca = TruncatedSVD(n_components=2)                                
X_reduced_train = 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.toarray(), b_train)                            
prediction = classifier.predict(a_test.toarray()) 

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。

Answer 2

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

In [907]: A=np.array([[0,1],[3,4]])
In [908]: M=sparse.coo_matrix(A)
In [909]: len(A)
Out[909]: 2
In [910]: len(M)
...
TypeError: sparse matrix length is ambiguous; use getnnz() or shape[0]

In [911]: A.shape[0]
Out[911]: 2
In [912]: M.shape[0]
Out[912]: 2

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。