如何将 TfidfVectorizer 的输出馈送到 Sklearn 中的 LinearSVC 分类器？

Posted 2023-03-12

【中文标题】如何将 TfidfVectorizer 的输出馈送到 Sklearn 中的 LinearSVC 分类器？

【英文标题】：How to feed the output of TfidfVectorizer to the LinearSVC classifier in Sklearn?

【发布时间】：2019-08-07 22:50:16

【问题描述】：

我正在尝试在 Scikit learn 中使用 LinearSVC 构建一个线性分类器。我决定使用 tf-idf 矢量化来矢量化文本输入。我写的代码是：

review_corpus = list(train_data_df['text'])
vectorizer = TfidfVectorizer(max_df = 0.9,stop_words = 'english')
%timeit tfidf_matrix = vectorizer.fit_transform(review_corpus)

我现在想使用这个 tfidf_matrix 训练一个 SVM 模型，并用它来预测相应测试集的类/标签：test_data_df['text']。 我遇到的问题：

仅使用训练数据来构建 TfIdfVectorizer 是否正确，还是应该同时使用训练和测试文本数据来构建向量器？

主要问题是：如何获得测试数据的矩阵表示？目前，我不确定如何从矢量化器中获取测试集中不同文档的 tfidf 分数。我尝试的是遍历 Pandas 系列 test_data_df['text'] 然后执行：

tfidf_matrix.todense(list(text)

对于系列中的每个文本，将结果放入列表中，最后从中创建一个 numpy 数组，但出现内存错误。

【参考方案1】：

您应该只使用训练数据来构建TfIdfVectorizer()。这将确保您在训练过程中不会泄露有关测试数据的任何信息。

使用

tfidf_matrix_test = vectorizer.transform(test_data_df['text'])

现在您可以将tfidf_matrix_test 提供给分类器。

PS：

尽量避免将 Vectorizer 的 sparse_matrix 输出转换为列表或密集数组。因为它是内存密集型的，而且分类器在训练/预测时也会花费更多的计算时间。