我正在试验scikit学习包中实现的不同分类器,以完成一些NLP任务。我用来进行分类的代码是以下
def train_classifier(self, argcands):
# Extract the necessary features from the argument candidates
train_argcands_feats = []
train_argcands_target = []
for argcand in argcands:
train_argcands_feats.append(self.extract_features(argcand))
train_argcands_target.append(argcand["info"]["label"])
# Transform the features to the format required by the classifier
self.feat_vectorizer = DictVectorizer()
train_argcands_feats = self.feat_vectorizer.fit_transform(train_argcands_feats)
# Transform the target labels to the format required by the classifier
self.target_names = list(set(train_argcands_target))
train_argcands_target = [self.target_names.index(target) for target in train_argcands_target]
# Train the appropriate supervised model
self.classifier = LinearSVC()
#self.classifier = SVC(kernel="poly", degree=2)
self.classifier.fit(train_argcands_feats,train_argcands_target)
return
def execute(self, argcands_test):
# Extract features
test_argcands_feats = [self.extract_features(argcand) for argcand in argcands_test]
# Transform the features to the format required by the classifier
test_argcands_feats = self.feat_vectorizer.transform(test_argcands_feats)
# Classify the candidate arguments
test_argcands_targets = self.classifier.predict(test_argcands_feats)
# Get the correct label names
test_argcands_labels = [self.target_names[int(label_index)] for label_index in test_argcands_targets]
return zip(argcands_test, test_argcands_labels)
从代码中可以看出,我正在测试支持向量机分类器的两种实现:LinearSVC和具有多项式内核的SVC。现在,针对我的"问题"。当使用LinearSVC时,我得到了一个没有问题的分类:测试实例用一些标签标记。但是,如果我使用多项式SVC,则所有测试实例都使用相同的标签进行标记。我知道一种可能的解释是,简单地说,多项式SVC不是用于我的任务的合适分类器,这很好。我只是想确保我正确地使用了多项式SVC。
谢谢你能给我的所有帮助/建议。
更新根据答案中给出的建议,我修改了训练分类器的代码,以执行以下操作:
# Train the appropriate supervised model
parameters = [{'C': [1, 10, 100, 1000], 'gamma': [0.001, 0.0001], 'kernel': ['poly'], 'degree': [2]}]
self.classifier = GridSearchCV(SVC(C=1), parameters, score_func = f1_score)
现在我得到以下消息:
ValueError: The least populated class in y has only 1 members, which is too few. The minimum number of labels for any class cannot be less than k=3.
这与我的训练数据中类实例的不均匀分布有关,对吧?还是我对程序的调用不正确?
在这两种情况下,都应该使用网格搜索来调整正则化参数C的值。你不能比较结果,否则,一个好的C值可能会给另一个模型带来糟糕的结果。
对于多项式核,你也可以网格搜索次数的最佳值(例如2或3或更多):在这种情况下,你应该同时网格搜索C和次数。
编辑:
这与我的训练数据中类实例的不均匀分布有关,对吧?还是我对程序的调用不正确?
检查每个类是否至少有3个样本,以便能够进行StratifiedKFold
与k == 3
的交叉验证(我认为这是GridSearchCV
用于分类的默认CV)。如果你有更少的,不要期望模型能够预测任何有用的东西。我建议每个类至少有100个样本(这是一个有点武断的经验法则,除非你处理的玩具问题少于10个特征,并且类之间的决策边界有很多规律性)。
顺便说一句,请始终在问题/错误报告中粘贴完整的回溯。否则,人们可能没有必要的信息来诊断正确的原因。