Я пытаюсь создать классификатор с использованием Python и Sklearn. В настоящее время все мои данные импортированы успешно. Я пытаюсь следовать учебнику отсюда, меняя его немного по мере того, как я иду. Позже в проекте я понял, что их данные по обучению и тестированию сильно отличаются от моих. Если я правильно понял, у них было что-то вроде этого:
X_train = ['Article or News article here', 'Anther News Article or Article here', ...]
y_train = ['Article Type', 'Article Type', ...]
#Same for the X_test and y_test
Хотя у меня было что-то вроде этого:
X_train = [['Dylan went in the house. Robert left the house', 'Where is Dylan?'], ['Mary ate the apple. Tom ate the cake', 'Who ate the cake?'], ...]
y_train = ['In the house.', 'Tom ate the cake']
#Same for the X_test and y_test
Когда я попытался подготовить классификатор с помощью этого трубопровода:
text_clf = Pipeline([('vect', CountVectorizer(stop_words='english')),
('tfidf', TfidfTransformer(use_idf=True)),
('clf', SGDClassifier(loss='hinge', penalty='l2', alpha=1e-3, random_state=42,
verbose=1)),])
Я получаю сообщение об ошибке:
AttributeError: 'list' object has no attribute 'lower'
На этой строке:
text_clf.fit(X_train, y_train)
После исследования я теперь знаю, что это потому, что я X_train
массив для своих данных X_train
вместо строки. Поэтому мой вопрос: как построить конвейер, который будет принимать массивы для моих данных X_train
и строку для моих данных y_train
? Возможно ли это с трубопроводом?
Вы можете использовать атрибут tokenizer
чтобы передать CountVectorizer
каждому списку в виде отдельного документа и перевести его в lowercase
в значение False
text_clf = Pipeline([('vect', CountVectorizer(tokenizer=lambda single_doc: single_doc,stop_words='english',lowercase=False)),
('tfidf', TfidfTransformer(use_idf=True)),
('clf', SGDClassifier(loss='hinge', penalty='l2', alpha=1e-3, random_state=42,
verbose=1)),])