Ich mache Textklassifizierung mit Python und Sklearn. Ich habe einige benutzerdefinierte Funktionen, die ich zusätzlich zu Vektorisierer verwenden. Ich würde gerne wissen, ob es möglich ist, sie mit sklearn Pipeline zu verwenden und wie die Features darin gestapelt werden.Wie verwende ich sklearn Pipeline mit benutzerdefinierten Funktionen?
Ein kurzes Beispiel meines aktuellen Codes für die Klassifizierung ohne die Pipeline. Bitte sagen Sie mir, wenn Sie sehen, dass irgendetwas darin falsch ist, werde ich Ihnen sehr dankbar sein. Ist es möglich, es mit der sklearn-Pipeline zu verwenden? Ich habe meine eigene Funktion get_features() erstellt, die die benutzerdefinierten Funktionen extrahiert, den Vektorisierer transformiert, die Features skaliert und sie schließlich stapelt.
import sklearn.svm
import re
from sklearn import metrics
import numpy
import scipy.sparse
import datetime
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.svm import SVC
from sklearn.svm import LinearSVC
from nltk.tokenize import word_tokenize, sent_tokenize
from sklearn.preprocessing import StandardScaler
# custom feature example
def words_capitalized(sentence):
tokens = []
# tokenize the sentence
tokens = word_tokenize(sentence)
counter = 0
for word in tokens:
if word[0].isupper():
counter += 1
return counter
# custom feature example
def words_length(sentence):
tokens = []
# tokenize the sentence
tokens = word_tokenize(sentence)
list_of_length = list()
for word in tokens:
list_of_length.append(length(word))
return list_of_length
def get_features(untagged_text, value, scaler):
# this function extracts the custom features
# transforms the vectorizer
# scales the features
# and finally stacks all of them
list_of_length = list()
list_of_capitals = list()
# transform vectorizer
X_bow = countVecWord.transform(untagged_text)
# I also see some people use X_bow = countVecWord.transform(untagged_text).todense(), what does the .todense() option do here?
for sentence in untagged_text:
list_of_urls.append([words_length(sentence)])
list_of_capitals.append([words_capitalized(sentence)])
# turn the feature output into a numpy vector
X_length = numpy.array(list_of_urls)
X_capitals = numpy.array(list_of_capitals)
if value == 1:
# fit transform for training set
X_length = = scaler.fit_transform(X_length)
X_capitals = scaler.fit_transform(X_capitals)
# if test set
else:
# transform only for test set
X_length = = scaler.transform(X_length)
X_capitals = scaler.transform(X_capitals)
# stack all features as a sparse matrix
X_two_bows = scipy.sparse.hstack((X_bow, X_length))
X_two_bows = scipy.sparse.hstack((X_two_bows , X_length))
X_two_bows = scipy.sparse.hstack((X_two_bows , X_capitals))
return X_two_bows
def fit_and_predict(train_labels, train_features, test_features, classifier):
# fit the training set
classifier.fit(train_features, train_labels)
# return the classification result
return classifier.predict(test_features)
if __name__ == '__main__':
input_sets = read_data()
X = input_sets[0]
Y = input_sets[1]
X_dev = input_sets[2]
Y_dev = input_sets[3]
# initialize the count vectorizer
countVecWord = sklearn.feature_extraction.text.CountVectorizer(ngram_range=(1, 3))
scaler= StandardScaler()
# extract features
# for training
X_total = get_features(X, 1, scaler)
# for dev set
X_total_dev = get_features(X_dev, 2, scaler)
# store labels as numpy array
y_train = numpy.asarray(Y)
y_dev = numpy.asarray(Y_dev)
# train the classifier
SVC1 = LinearSVC(C = 1.0)
y_predicted = list()
y_predicted = fit_and_predict(y_train, X_total, X_total_dev, SVC1)
print "Result for dev set"
precision, recall, f1, _ = metrics.precision_recall_fscore_support(y_dev, y_predicted)
print "Precision: ", precision, " Recall: ", recall, " F1-Score: ", f1
Ich weiß, es FeatureUnion ist, aber ich weiß nicht, ob es für meine Zwecke verwendet werden kann, und ob es skaliert und die Eigenschaften hstack.
EDIT: Dies scheint ein guter Anfang zu sein: https://michelleful.github.io/code-blog/2015/06/20/pipelines/
es noch nicht versucht haben, posten, wenn ich es tue. Die Frage ist nun, wie kann ich Feature-Auswahl mit Pipelines tun.