使用带有TF-IDF的管道时，CalibratedClassifierCV存在错误

Question

首先提前感谢，我真的不知道是否应该打开一个问题，所以我想检查一下是否有人以前遇到过这种情况。

因此，当使用CalibratedClassifierCV进行文本分类时，我遇到了以下问题。我有一个估计器，它是以这种方式创建的管道(简单示例)：

# Import libraries first
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.pipeline import make_pipeline
from sklearn.calibration import CalibratedClassifierCV
from sklearn.linear_model import LogisticRegression
# Now create the estimators: pipeline -> calibratedclassifier(pipeline)
pipeline = make_pipeline( TfidfVectorizer(), LogisticRegression() )
calibrated_pipeline = CalibratedClassifierCV( pipeline, cv=2 )

现在我们可以创建一个简单的训练集来检查分类器是否工作：

# Create text and labels arrays
text_array = np.array(['Why', 'is', 'this', 'happening'])
outputs = np.array([0,1,0,1])

当我尝试拟合calibrated_pipeline对象时，我会得到以下错误：

值错误：发现样本数不一致的输入变量：[1,4]

如果你愿意，我可以复制整个异常跟踪，但这应该很容易复制。提前感谢！

编辑：我在创建数组时犯了一个错误。现已修复(感谢@ogrisel！)此外，正在调用：

pipeline.fit(text_array, outputs)

工作正常，但使用校准的分类器执行此操作失败

Answer 1

np.array(['Why', 'is', 'this', 'happening']).reshape(-1,1)是一个2D字符串数组，而TfidfVectorizer类的fit_transform方法的docstring声明它所期望的：

Parameters
----------
raw_documents : iterable
an iterable which yields either str, unicode or file objects

如果你迭代你的2D numpy数组，你会得到一个字符串的1D数组序列，而不是直接的字符串：

>>> list(text_array)
[array(['Why'], 
dtype='<U9'), array(['is'], 
dtype='<U9'), array(['this'], 
dtype='<U9'), array(['happening'], 
dtype='<U9')]

所以修复很容易，只需通过：

text_documents = ['Why', 'is', 'this', 'happening']

作为矢量器的原始输入。

编辑：备注：默认情况下，LogisticRegression几乎总是一个校准良好的分类器。在这种情况下，CalibratedClassifierCV很可能不会带来任何东西。