Scikit-Learn 的 Pipeline：传递了稀疏矩阵，但需要密集数据

Question

我发现很难理解如何修复我创建的管道（阅读：主要从教程中粘贴）。这是 python 3.4.2:

df = pd.DataFrame
df = DataFrame.from_records(train)

test = [blah1, blah2, blah3]

pipeline = Pipeline([('vectorizer', CountVectorizer()), ('classifier', RandomForestClassifier())])

pipeline.fit(numpy.asarray(df[0]), numpy.asarray(df[1]))
predicted = pipeline.predict(test)

当我运行它时，我得到：

TypeError: A sparse matrix was passed, but dense data is required. Use X.toarray() to convert to a dense numpy array.

这是针对行 pipeline.fit(numpy.asarray(df[0]), numpy.asarray(df[1]))。

我已经通过 numpy、scipy 等尝试了很多解决方案，但我仍然不知道如何修复它。是的，以前也出现过类似的问题，但不是在管道内。我必须在哪里申请 toarray 或 todense？

Answer 1

您可以使用 .values 方法将 pandas Series 更改为数组。

pipeline.fit(df[0].values, df[1].values)

不过我认为这里的问题是因为 CountVectorizer() returns 默认情况下是一个稀疏矩阵，无法通过管道传输到 RF 分类器。 CountVectorizer() 确实有一个 dtype 参数来指定返回的数组类型。也就是说，通常你需要进行某种降维才能使用随机森林进行文本分类，因为词袋特征向量非常长

Answer 2

不幸的是，这两者不兼容。 CountVectorizer 生成稀疏矩阵，而 RandomForestClassifier 需要密集矩阵。可以使用 X.todense() 进行转换。这样做会大大增加您的内存占用量。

下面是基于 http://zacstewart.com/2014/08/05/pipelines-of-featureunions-of-pipelines.html 执行此操作的示例代码，它允许您在管道阶段调用 .todense()。

class DenseTransformer(TransformerMixin):

    def fit(self, X, y=None, **fit_params):
        return self

    def transform(self, X, y=None, **fit_params):
        return X.todense()

获得 DenseTransformer 后，您可以将其添加为管道步骤。

pipeline = Pipeline([
     ('vectorizer', CountVectorizer()), 
     ('to_dense', DenseTransformer()), 
     ('classifier', RandomForestClassifier())
])

另一种选择是使用用于 LinearSVC 等稀疏数据的分类器。

from sklearn.svm import LinearSVC
pipeline = Pipeline([('vectorizer', CountVectorizer()), ('classifier', LinearSVC())])

Answer 3

0.16-dev 中的随机森林现在接受稀疏数据。

Answer 4

最简洁的解决方案是使用 FunctionTransformer 转换为密集：这将自动实现 David 的回答中的 fit、transform 和 fit_transform 方法.此外，如果我的管道步骤不需要特殊名称，我喜欢使用 sklearn.pipeline.make_pipeline 便捷函数来启用更简约的语言来描述模型：

from sklearn.preprocessing import FunctionTransformer

pipeline = make_pipeline(
     CountVectorizer(), 
     FunctionTransformer(lambda x: x.todense(), accept_sparse=True), 
     RandomForestClassifier()
)

Answer 5

使用此管道添加 TfidTransformer plus

        pipelinEx = Pipeline([('bow',vectorizer),
                           ('tfidf',TfidfTransformer()),
                           ('to_dense', DenseTransformer()), 
                           ('classifier',classifier)])

上面的第一行，以稀疏矩阵形式获取文档的字数。但是，在实践中，您可能会使用 TfidfTransformer 在一组新的未见过的文档上计算 tfidf 分数。然后，通过调用 tfidf transformer.transform(vectorizer)，您最终将计算文档的 tf-idf 分数。在内部这是计算 tf * idf 乘法，其中术语频率由其 idf 值加权。

Scikit-Learn 的 Pipeline：传递了稀疏矩阵，但需要密集数据

Scikit-Learn's Pipeline: A sparse matrix was passed, but dense data is required

python

numpy

pandas

scikit-learn