支持向量机适用于训练集，但不适用于 R 中的测试集（使用 e1071）

Posted 2023-03-12

【中文标题】支持向量机适用于训练集，但不适用于 R 中的测试集（使用 e1071）

【英文标题】：Support Vector Machine works on Training-set but not on Test-set in R (using e1071)

【发布时间】：2014-04-04 15:35:36

【问题描述】：

我正在为我的文档分类任务使用支持向量机！它对训练集中的所有文章进行了分类，但未能对我的测试集中的文章进行分类！ trainDTM 是我的训练集的文档术语矩阵。 testDTM 是用于测试集的。 这是我的（不太漂亮）代码：

# create data.frame with labelled sentences

labeled <- as.data.frame(read.xlsx("C:\\Users\\LABELED.xlsx", 1, header=T))

# create training set and test set
traindata <- as.data.frame(labeled[1:700,c("ARTICLE","CLASS")])
testdata <- as.data.frame(labeled[701:1000, c("ARTICLE","CLASS")])

# Vector, Source Transformation
trainvector <- as.vector(traindata$"ARTICLE")
testvector <- as.vector(testdata$"ARTICLE")
trainsource <- VectorSource(trainvector)
testsource <- VectorSource(testvector)

# CREATE CORPUS FOR DATA
traincorpus <- Corpus(trainsource)
testcorpus <- Corpus(testsource)

# my own stopwords
sw <- c("i", "me", "my")

## CLEAN TEXT

# FUNCTION FOR CLEANING
cleanCorpus <- function(corpus)
  corpus.tmp <- tm_map(corpus, removePunctuation)
  corpus.tmp <- tm_map(corpus.tmp,stripWhitespace)
  corpus.tmp <- tm_map(corpus.tmp,tolower)
  corpus.tmp <- tm_map(corpus.tmp, removeWords, sw)
  corpus.tmp <- tm_map(corpus.tmp, removeNumbers)
  corpus.tmp <- tm_map(corpus.tmp, stemDocument, language="en")
  return(corpus.tmp)

# CLEAN CORP WITH ABOVE FUNCTION
traincorpus.cln <- cleanCorpus(traincorpus)
testcorpus.cln <- cleanCorpus(testcorpus)

## CREATE N-GRAM DOCUMENT TERM MATRIX 
# CREATE N-GRAM TOKENIZER

BigramTokenizer <- function(x) NGramTokenizer(x, Weka_control(min = 1, max = 1))

# CREATE DTM
trainmatrix.cln.bi <- DocumentTermMatrix(traincorpus.cln, control = list(tokenize = BigramTokenizer))
testmatrix.cln.bi <- DocumentTermMatrix(testcorpus.cln, control = list(tokenize = BigramTokenizer))

# REMOVE SPARSE TERMS
trainDTM <- removeSparseTerms(trainmatrix.cln.bi, 0.98)
testDTM <- removeSparseTerms(testmatrix.cln.bi, 0.98)

# train the model
SVM <- svm(as.matrix(trainDTM), as.factor(traindata$CLASS))

# get classifications for training-set
results.train <- predict(SVM, as.matrix(trainDTM)) # works fine!

# get classifications for test-set
results <- predict(SVM,as.matrix(testDTM))

Error in scale.default(newdata[, object$scaled, drop = FALSE], center = object$x.scale$"scaled:center",  : 
  length of 'center' must equal the number of columns of 'x'

我不明白这个错误。什么是“中心”？

谢谢！！

【问题讨论】：

为什么你认为这是过拟合的问题？即使模型过度拟合，我也应该能够对新数据进行分类..

【参考方案1】：

训练和测试数据必须在同一个特征空间；以这种方式构建两个单独的 DTM 是行不通的。

使用 RTextTools 的解决方案：

DocTermMatrix <- create_matrix(labeled, language="english", removeNumbers=TRUE, stemWords=TRUE, ...)
container <- create_container(DocTermMatrix, labels, trainSize=1:700, testSize=701:1000, virgin=FALSE)
models <- train_models(container, "SVM")
results <- classify_models(container, models)

或者，要回答您的问题（使用 e1071），您可以在投影 (DocumentTermMatrix) 中指定词汇表（“特征”）：

DocTermMatrixTrain <- DocumentTermMatrix(Corpus(VectorSource(trainDoc)));
Features <- DocTermMatrixTrain$dimnames$Terms;

DocTermMatrixTest <- DocumentTermMatrix(Corpus(VectorSource(testDoc)),control=list(dictionary=Features));

【讨论】：

我添加了完整的代码，所以你可以看到我是如何构建 TDM 的

@brobertie：感谢您的方法有效！我不太喜欢使用 RTextTools，因为我无法控制（或者我认为我无法控制）诸如停用词删除、否定处理、n-gram 等预处理步骤。顺便提一句。如果我使用朴素贝叶斯分类器，将文章分成两个单独的 TDM 似乎可行。但我无法以某种方式使用 SVM 使其工作。

@brobertie：你知道如何使用 e1071 构建 SVM 吗？