python - 用于多标签分类问题的 tf-idf 矢量化器

Question

我有一个针对大量文本的多标签分类项目。我在文本（train_v['doc_text']）上使用了 tf-Idf 矢量化器，如下所示：

tfidf_transformer = TfidfTransformer()
X_counts = count_vect.fit_transform(train_v['doc_text']) 
X_tfidf = tfidf_transformer.fit_transform(X_counts) 
x_train_tfidf, x_test_tfidf, y_train_tfidf, y_test_tfidf = train_test_split(X_tfidf_r, label_vs, test_size=0.33, random_state=9000)
sgd = SGDClassifier(loss='hinge', penalty='l2', random_state=42, max_iter=25, tol=None, fit_intercept=True, alpha = 0.000009  )

现在，我需要在一组特征（test_v['doc_text']）上使用相同的矢量化器来预测标签。但是，当我使用以下

X_counts_test = count_vect.fit_transform(test_v['doc_text']) 
X_tfidf_test = tfidf_transformer.fit_transform(X_counts_test) 
predictions_test = clf.predict(X_tfidf_test)

我收到一条错误消息

ValueError: X has 388894 features per sample; expecting 330204

关于如何处理这个问题的任何想法？

谢谢。

标签： pythonnlptf-idfmultilabel-classificationtfidfvectorizer

Answer 1

问题是你在fit_transform这里使用它来TfidfTransform()适应test data然后转换它。

而是使用transform方法就可以了。

此外，您应该使用TfidfVectorizer

在我看来，代码应该是：

from sklearn.feature_extraction.text import TfidfVectorizer
tfidf_transformer = TfidfVectorizer()
# X_counts = count_vect.fit_transform(train_v['doc_text']) 
X_tfidf = tfidf_transformer.fit_transform(train_v['doc_text']) 
x_train_tfidf, x_test_tfidf, y_train_tfidf, y_test_tfidf = train_test_split(X_tfidf, label_vs, test_size=0.33, random_state=9000)
sgd = SGDClassifier(loss='hinge', penalty='l2', random_state=42, max_iter=25, tol=None, fit_intercept=True, alpha = 0.000009  )

# X_counts_test = count_vect.fit_transform(test_v['doc_text']) 
X_tfidf_test = tfidf_transformer.transform(test_v['doc_text']) 
predictions_test = clf.predict(X_tfidf_test)

另外，您为什么要使用count_vect我认为它在这里没有可用性，并且在train_test_split您使用X_tfidf_r的任何地方都没有提到。