Ich habe so viel gekämpft, aber immer noch nicht herausfinden, wie Sie zusätzliche Funktionen neben Textfunktionen mit FeatureUnion
in der Scikit-lernen-Pipeline verwenden.
Ich habe eine Liste von Sätzen und deren Bezeichnungen, um ein Modell und eine Liste von Sätzen als Testdaten zu trainieren. Dann versuche ich ein zusätzliches Feature (wie die Länge jedes Satzes) zu den Taschenwörtern hinzuzufügen. Dafür habe ich eine benutzerdefinierte LengthTransformer
geschrieben, die eine Liste von Längen zurückgibt und die gleiche Anzahl von Elementen wie meine Zugliste hat.
Dann kombiniere ich das mit TfidfVectorizer
mit FeatureUnion
, aber es funktioniert einfach nicht.Hinzufügen von zusätzlichen Funktionen zu Sack von Wörtern in Scikit-lernen Pipeline mit FeatureUnion
Was ich kam mit so weit nach oben, ist dies:
from sklearn.base import BaseEstimator, TransformerMixin
from sklearn.pipeline import Pipeline, FeatureUnion
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.svm import LinearSVC
from sklearn.multiclass import OneVsRestClassifier
from sklearn import preprocessing
class LengthTransformer(BaseEstimator, TransformerMixin):
def fit(self, X, y=None):
return self
def transform(self, X):
return [len(x) for x in X]
X_train = ["new york is a hell of a town",
"new york was originally dutch",
"the big apple is great",
"new york is also called the big apple",
"nyc is nice",
"people abbreviate new york city as nyc",
"the capital of great britain is london",
"london is in the uk",
"london is in england",
"london is in great britain",
"it rains a lot in london",
"london hosts the british museum",
"new york is great and so is london",
"i like london better than new york"]
y_train_text = [["new york"], ["new york"], ["new york"], ["new york"], ["new york"],
["new york"], ["london"], ["london"], ["london"], ["london"],
["london"], ["london"], ["london", "new york"], ["new york", "london"]]
X_test = ['nice day in nyc',
'welcome to london',
'london is rainy',
'it is raining in britian',
'it is raining in britian and the big apple',
'it is raining in britian and nyc',
'hello welcome to new york. enjoy it here and london too']
lb = preprocessing.MultiLabelBinarizer()
Y = lb.fit_transform(y_train_text)
classifier = Pipeline([
('feats', FeatureUnion([
('tfidf', TfidfVectorizer()),
('len', LengthTransformer())
])),
('clf', OneVsRestClassifier(LinearSVC()))
])
classifier.fit(X_train, Y)
predicted = classifier.predict(X_test)
all_labels = lb.inverse_transform(predicted)
for item, labels in zip(X_test, all_labels):
print('{} => {}'.format(item, ', '.join(labels)))