在整个x_data上还是仅在train_data上对Keras fit_to_text更好？

Question

我有一个带有文本列的数据框。我将它们分成x_train和x_test。

我的问题是，最好Tokenizer.fit_on_text()在整个x数据集上使用Keras的功能x_train？

像这样：

tokenizer = Tokenizer()
tokenizer.fit_on_texts(x_data)

要么

tokenizer.fit_on_texts(x_train)        # <- fixed typo
tokenizer.texts_to_sequences(x_train)

有关系吗？我也必须x_test稍后再进行标记化，所以我可以只使用相同的标记化器吗？

Answer 1

尽管此问题中的信息很好，但确实需要注意一些更重要的事情：

您必须在训练和测试数据中使用相同的标记器

否则，每个数据集将有不同的标记。每个令牌生成器都有一个内部字典，该字典由创建fit_on_texts。

不能保证训练和测试数据的相同单词和频率相同，因此每个数据集都会创建不同的字典，并且测试数据的所有结果都是错误的。

这也意味着您不能先fit_on_texts训练，然后fit_on_texts再训练：这将更改内部词典。

可能适合整个数据。但是，为“未知”字词（oov_token=True）保留令牌可能是一个更好的主意，在这种情况下，当您使用模型从未见过的字词查找新的测试数据时（这也需要用此令牌替换训练数据中的稀有字词） 。

用未知词测试令牌生成器：

以下测试表明，oov_token未设置时，令牌生成器将完全忽略未知单词。这可能不是一个好主意。未知词可能是句子中的关键词，而仅仅忽略它们可能比知道那里有未知词更糟糕。

import numpy as np
from keras.layers import *
from keras.models import Model
from keras.preprocessing.text import Tokenizer

training = ['hey you there', 'how are you', 'i am fine thanks', 'hello there']
test = ['he is fine', 'i am fine too']

tokenizer = Tokenizer()
tokenizer.fit_on_texts(training)

print(tokenizer.texts_to_sequences(training))
print(tokenizer.texts_to_sequences(test))

输出：

[[3, 1, 2], [4, 5, 1], [6, 7, 8, 9], [10, 2]]
[[8], [6, 7, 8]]

现在，这表明令牌生成器会将索引1赋予所有未知单词：

tokenizer2 = Tokenizer(oov_token = True)
tokenizer2.fit_on_texts(training)
print(tokenizer2.texts_to_sequences(training))
print(tokenizer2.texts_to_sequences(test))

输出：

[[4, 2, 3], [5, 6, 2], [7, 8, 9, 10], [11, 3]]
[[1, 1, 9], [7, 8, 9, 1]]

但是在训练数据中也将一组稀有词也替换为1可能很有趣，因此您的模型具有如何处理未知词的概念。