Scikit learn - 如何使用 SVM 和随机森林进行文本分类？

Posted 2023-03-12

【中文标题】Scikit learn - 如何使用 SVM 和随机森林进行文本分类？

【英文标题】：Scikit learn - How to use SVM and Random Forest for text classification?

【发布时间】：2014-03-25 06:54:27

【问题描述】：

我有一组trainFeatures 和一组testFeatures，带有正面、中性和负面标签：

trainFeats = negFeats + posFeats + neutralFeats
testFeats  = negFeats + posFeats + neutralFeats

例如，trainFeats 中的一项是

(['blue', 'yellow', 'green'], 'POSITIVE') 

测试功能列表相同，因此我为每个集合指定标签。我的问题是如何使用随机森林分类器和 SVM 的 scikit 实现来获得该分类器的准确度以及每个类的精度和召回分数？问题是我目前使用单词作为特征，而从我读到的这些分类器需要数字。有没有一种方法可以在不改变功能的情况下实现我的目的？非常感谢！

【参考方案1】：

您可以查看scikit-learn tutorial，尤其是the section on learning and predicting，了解如何创建和使用分类器。该示例使用了 SVM，但使用 RandomForestClassifier 代替它很简单，因为所有分类器都实现了 fit 和 predict 方法。

使用文本功能时，您可以使用CountVectorizer 或DictVectorizer。看看feature extraction，尤其是section 4.1.3。

你可以找到一个分类文本文档的例子here。

然后你可以用classification report得到分类器的精度和召回率。

【讨论】：

感谢您的回复！我的问题是我目前使用单词作为特征，而从我读到的内容中，我看到随机森林和 SVM 需要数字。这就是我完全陷入困境的地方！

@Crista23 我明白了。问题的第一个版本中没有提到这一点。我用更多信息更新了答案。

感谢您的回复！确实非常有用！当我尝试对 testData 进行矢量化时，我仍然面临一个问题： vec = DictVectorizer(sparse=False) testFeatures1 = vec.fit_transform(testFeatures) 给我一个内存错误。它在训练数据的情况下工作正常，因为我有大约 8000 个实例，但在测试数据上有 80000 个并且它显示内存错误。有什么我可以做的吗？我真的需要测试所有测试数据。谢谢！

@Crista23 这似乎是一个完全不同的问题。根据您的用例，可能会有不同的方法。我建议您发布一个包含更多详细信息的新问题，以便其他人也可以做出贡献。另外，尝试搜索here，可能已经有一些类似的问题。

您可以尝试对测试集进行批量分类。