sklearn分类器得到ValueError:输入形状不好

Question

我有一个csv,struct is CAT1,CAT2,TITLE,URL,CONTENT,CAT1,CAT2,TITLE,CONTENT都是中文的.

我想要火车LinearSVC或MultinomialNBX(TITLE)和功能(CAT1,CAT2),都会得到这个错误.下面是我的代码:

PS:我通过这个例子scikit-learn text_analytics在下面写代码

import numpy as np
import csv
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.svm import LinearSVC
from sklearn.pipeline import Pipeline

label_list = []

def label_map_target(label):
    ''' map chinese feature name to integer  '''
    try:
        idx = label_list.index(label)
    except ValueError:
        idx = len(label_list)
        label_list.append(label)

    return idx


c1_list = []
c2_list = []
title_list = []
with open(csv_file, 'r') as f:
    # row_from_csv is for shorting this example
    for row in row_from_csv(f):
        c1_list.append(label_map_target(row[0])
        c2_list.append(label_map_target(row[1])
        title_list.append(row[2])

data = np.array(title_list)
target = np.array([c1_list, c2_list])
print target.shape
# (2, 4405)
target = target.reshape(4405,2)
print target.shape
# (4405, 2)

docs_train, docs_test, y_train, y_test = train_test_split(
   data, target, test_size=0.25, random_state=None)

# vect = TfidfVectorizer(tokenizer=jieba_tokenizer, min_df=3, max_df=0.95)
# use custom chinese tokenizer get same error
vect = TfidfVectorizer(min_df=3, max_df=0.95)
docs_train= vect.fit_transform(docs_train)

clf = LinearSVC()
clf.fit(docs_train, y_train)

错误:

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-24-904eb9af02cd> in <module>()
      1 clf = LinearSVC()
----> 2 clf.fit(docs_train, y_train)

C:\Python27\lib\site-packages\sklearn\svm\classes.pyc in fit(self, X, y)
    198 
    199         X, y = check_X_y(X, y, accept_sparse='csr',
--> 200                          dtype=np.float64, order="C")
    201         self.classes_ = np.unique(y)
    202 

C:\Python27\lib\site-packages\sklearn\utils\validation.pyc in check_X_y(X, y, accept_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, multi_output, ensure_min_samples, ensure_min_features, y_numeric)
    447                         dtype=None)
    448     else:
--> 449         y = column_or_1d(y, warn=True)
    450         _assert_all_finite(y)
    451     if y_numeric and y.dtype.kind == 'O':

C:\Python27\lib\site-packages\sklearn\utils\validation.pyc in column_or_1d(y, warn)
    483         return np.ravel(y)
    484 
--> 485     raise ValueError("bad input shape {0}".format(shape))
    486 
    487 

ValueError: bad input shape (3303, 2)

Answer 1

感谢@meelo,我解决了这个问题.正如他所说,在我的代码中,data是特征向量,target是目标值.我混淆了两件事.

我向[数据,特征]学习了TfidfVectorizer过程数据,每个数据应该只映射到一个目标.

如果我想预测两种类型的目标.我需要两个不同的目标:

1. TfidfVectorizer 具有所有C1值
2. target_C1 具有所有C2值.

然后使用两个目标和原始数据为每个目标训练两个分类器.

Answer 2

我遇到过同样的问题。

因此，如果您遇到相同的问题，则应检查clf.fit(X,y)参数的形状：

X：训练向量{类似数组，稀疏矩阵}，形状（n_samples，n_features）。

y：相对于类似X数组形状的目标矢量（n_samples，）。

如您所见，y宽度应为1，以确保目标矢量的形状正确。try命令

y.shape

应该是（n_samples，）

在我的情况下，对于我的训练向量，我将来自3个不同矢量化器的3个单独的向量串联起来，将全部用作我的最终训练向量。问题在于每个向量都['Label']在其中包含列，因此最终的训练向量包含3 ['Label']列。然后，当我将其final_trainingVect['Label']用作目标向量时，其形状为n_samples，3）。