如何在 sklearn.svm.libsvm.fit() 分类器中包含列表类型特征？

Question

我正在尝试遍历大量文本文档并通过录制创建一个功能集：

位置列表 文本
关键短语的词性
每个关键词的长度（其中的字数）
每个关键词的频率

提取特征的代码片段：

#Take list of Keywords 
keyword_list = [line.split(':')[1].lower().strip() for line in keywords.splitlines() if ':' in line ]

#Position
position_list = [ [m.start()/float(len(document)) for m in re.finditer(re.escape(kw),document,flags=re.IGNORECASE)] for kw in keyword_list]
        
#Part of Speech
pos_list = []
for key in keyword_list:    
   pos_list.append([pos for w,pos in nltk.pos_tag(nltk.word_tokenize(key))])
    
#Length of each keyword
len_list = [ len(k.split(' ')) for k in keyword_list]
    
#Text Frequency 
freq_list = [ len(pos)/float(len(document)) for pos in position_list]
    
target.extend(keyword_list)
                    
for i in range(0,len(keyword_list)):
    data.append([position_list[i],pos_list[i],len_list[i],freq_list[i]])

在哪里

目标：关键字列表
数据：特征列表

我通过分类器传递了这个：

from sklearn.cross_validation import train_test_split
X_train,X_test,y_train,y_test = train_test_split(data,target,test_size=0.25,random_state = 42)

import numpy as np
X_train = np.array(X_train)
y_train = np.array(y_train)


from sklearn import svm
cls = svm.SVC(gamma=0.001,C=100) # Parameter values Matter!
cls.fit(X_train,y_train)
predictions = cls.predict(X_test)

但是我得到一个错误：

Traceback (most recent call last):
  File "supervised_3.py", line 113, in <module>
    cls.fit(X_train,y_train)
  File "/Library/Python/2.7/site-packages/sklearn/svm/base.py", line 150, in fit
    X = check_array(X, accept_sparse='csr', dtype=np.float64, order='C')
  File "/Library/Python/2.7/site-packages/sklearn/utils/validation.py", line 373, in check_array
    array = np.array(array, dtype=dtype, order=order, copy=copy)
ValueError: setting an array element with a sequence

因此，我通过更改

删除了所有列表项

data.append([position_list[i],pos_list[i],len_list[i],freq_list[i]])

到

data.append([len_list[i],freq_list[i]])

成功了。

但我需要包括 position_list 和 pos_list

我认为它不起作用，因为这 2 个是列表。所以，我尝试将它们转换为数组：

data.append([np.array(position_list[i]),np.array(pos_list[i]),len_list[i],freq_list[i]])

但我仍然得到同样的错误。

Answer 1

在特征提取代码的最后一个 for 循环中，您试图向 data 附加一个包含四个元素的列表，即 position_list[i]、pos_list[i]、len_list[i] , freq_list[i]。问题是前两个元素本身就是列表，但是 个别特征必须是 escalars （这就是为什么通过将子列表转换为 numpy 数组无法解决问题）。他们每个人都需要不同的解决方法：

position_list[i]
这是一个浮点数列表。您可以用从中计算出的一些统计数据替换此列表，例如平均值和标准差。
pos_list[i]
这是从 nltk.pos_tag 产生的 (token, tag)^* 形式的元组列表中提取的标签列表。标签（是字符串）可以通过计算它们的出现次数以直接的方式转换为数字。为了简单起见，我将只添加 'NN' 和 'NNS' 标签的频率 ^**.

为了让您的代码正常工作，您只需将最后一个 for 循环更改为：

for i in range(0, len(keyword_list)):
    positions_i = position_list[i]
    tags_i = pos_list[i]
    len_tags_i = float(len(tags_i))
    m = np.mean(positions_i)
    s = np.std(positions_i)
    nn = tags_i.count('NN')/len_tags_i
    nns = tags_i.count('NNS')/len_tags_i
    data.append([m, s, nn, nns, len_list[i], freq_list[i]])

这样，生成的特征向量就变成了 6 维的。不用说，您可以使用更多或更少的统计数据 and/or 标签频率，甚至不同的标签集。

^* 您在创建 pos_list 的 for 循环中使用的标识符 w,pos 有点误导。

^** 您可以利用 collections.Counter 更有效地计算每个标签的出现次数。

如何在 sklearn.svm.libsvm.fit() 分类器中包含列表类型特征？

How do I include a list type feature in sklearn.svm.libsvm.fit() classifier?

machine-learning

svm

python-2.7

scikit-learn

提取特征的代码片段：