python - 使用 TfidfVectorizer 时是否需要标签编码?
问题描述
可能是一个非常新手的问题:
我正在从事一个多类文本分类项目,其中我的所有功能和标签都是基于文本的。
我刚刚了解到,我没有对特征和标签进行编码,因为我在下面进行了中继:
def _create_transformer_from_feature_columns(columns):
tuples = []
for col in list(columns):
tfidf_kwargs = {'ngram_range': (1, 2), 'sublinear_tf': True}
if col not in NON_LEMMATIZED_COLUMN_NAMES:
tfidf_kwargs.update({'tokenizer': Tokenizer()})
tuples.append((f'vec_{col}', TfidfVectorizer(**tfidf_kwargs), col))
return ColumnTransformer(tuples, remainder='passthrough')
df_list = []
for bug in useful_bugs_dict.values():
# convert bug data into feature metric
bug_data = bug.get_data_as_df()
group_name = bug_data['group_name'][0]
if group_name not in group_owners_dict:
owner_id = len(group_owners_dict)
group_owners_dict[group_name] = owner_id
group_owner_id_dict[owner_id] = group_name
df_list.append(bug_data)
training_data = pd.concat(df_list)
training_data.reset_index(drop=True, inplace=True)
columns = training_data.drop('group_name', axis='columns').columns
transformer = _create_transformer_from_feature_columns(columns)
labels = training_data['group_name']
features = training_data.drop('group_name', axis='columns')
X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2)
另外我正在使用 XGBClassifier 并且收到此警告:
/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages/xgboost/sklearn.py:1146:
UserWarning: The use of label encoder in XGBClassifier is deprecated and will be removed in a future release.
To remove this warning, do the following:
1) Pass option use_label_encoder=False when constructing XGBClassifier object;
and 2) Encode your labels (y) as integers starting with 0, i.e. 0, 1, 2, ..., [num_class - 1].
warnings.warn(label_encoder_deprecation_msg, UserWarning)
我的印象是会为我做的。
我错了吗?
解决方案
该警告与TfidfVectorizer
. 它fit
和fit_transform
方法仅依赖于X
计算 tf-idf-weighted document-term 矩阵。y
在这两种情况下都被忽略,并且其编码无关紧要。
对于scikit-learn
分类器,编码y
也不是强制性的。在分类问题中传递字符串值对象通常不是问题。请注意,以下针对多类问题的代码将毫无问题地执行:
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.tree import DecisionTreeClassifier
X = ['doc one', 'doc two', 'number three']
y = [['yes', 'ok'], ['yes', 'not okay'], ['no', 'not okay']]
vec = TfidfVectorizer()
Xt = vec.fit_transform(X, y)
clf = DecisionTreeClassifier()
clf.fit(Xt, y)
然而,警告来自XGBClassifier
which 不是来自scikit-learn
。显然, 的内部编码已y
被弃用,并将在未来的版本中删除。因此,在这种特殊情况下,您将来必须自己明确地执行此操作,例如,当您使用下一个版本时。
推荐阅读
- java - Spring Boot RESTful 应用程序响应中的重复标头
- java - Java Graphics - 删除文本下的圆角矩形的一部分?
- python - 如何在应用程序运行时禁用 Tkinter Combox?
- java - 从 Firebase RTD 获取数据时获取 null
- android - 无法下载 gradle.jar (com.android.tools.build:gradle:4.1.0)
- python - 来自父项目的 Django 中的 URL 模板标记
- java - 带有两个不同子类的 Java 向下转型
- .htaccess - Mod_rewrite 仅适用于某些文件夹名称
- angular - Gitlab CI。LFTP 镜像,无法识别 dist/index.html 上的更改
- jquery - 脚本未在 html 字符串中运行,而这在脚本中