类型错误:稀疏矩阵长度不明确;使用 getnnz() 或 shape[0] 同时使用 RF 分类器

Question

我正在学习scikit learn中的随机森林，例如，我想使用随机森林分类器进行文本分类，并带有我自己的数据集。因此，首先我使用 tfidf 对文本进行矢量化处理，并进行分类：

from sklearn.ensemble import RandomForestClassifier
classifier=RandomForestClassifier(n_estimators=10) 
classifier.fit(X_train, y_train)           
prediction = classifier.predict(X_test)

当我运行分类时，我得到了这个：

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

然后我用.toarray() X_train，我得到了以下内容：

TypeError: sparse matrix length is ambiguous; use getnnz() or shape[0]

根据我理解的上一个问题，我需要减少 numpy 数组的维数，所以我也这样做：

from sklearn.decomposition.truncated_svd import TruncatedSVD        
pca = TruncatedSVD(n_components=300)                                
X_reduced_train = pca.fit_transform(X_train)               
from sklearn.ensemble import RandomForestClassifier                 
classifier=RandomForestClassifier(n_estimators=10)                  
classifier.fit(X_reduced_train, y_train)                            
prediction = classifier.predict(X_testing) 

然后我得到了这个异常：

  File "/usr/local/lib/python2.7/site-packages/sklearn/ensemble/forest.py", line 419, in predict
    n_samples = len(X)
  File "/usr/local/lib/python2.7/site-packages/scipy/sparse/base.py", line 192, in __len__
    raise TypeError("sparse matrix length is ambiguous; use getnnz()"
TypeError: sparse matrix length is ambiguous; use getnnz() or shape[0]

我尝试了以下方法：

prediction = classifier.predict(X_train.getnnz()) 

并得到了这个：

  File "/usr/local/lib/python2.7/site-packages/sklearn/ensemble/forest.py", line 419, in predict
    n_samples = len(X)
TypeError: object of type 'int' has no len()

由此提出了两个问题：如何使用随机森林进行正确分类？ 以及X_train发生了什么？

然后我尝试了以下方法：

df = pd.read_csv('/path/file.csv',
header=0, sep=',', names=['id', 'text', 'label'])

X = tfidf_vect.fit_transform(df['text'].values)
y = df['label'].values

from sklearn.decomposition.truncated_svd import TruncatedSVD
pca = TruncatedSVD(n_components=2)
X = pca.fit_transform(X)
a_train, a_test, b_train, b_test = train_test_split(X, y, test_size=0.33, random_state=42)
from sklearn.ensemble import RandomForestClassifier
classifier=RandomForestClassifier(n_estimators=10)
classifier.fit(a_train, b_train)
prediction = classifier.predict(a_test)
from sklearn.metrics.metrics import precision_score, recall_score, confusion_matrix, classification_report
print 'nscore:', classifier.score(a_train, b_test)
print 'nprecision:', precision_score(b_test, prediction)
print 'nrecall:', recall_score(b_test, prediction)
print 'n confussion matrix:n',confusion_matrix(b_test, prediction)
print 'n clasification report:n', classification_report(b_test, prediction)

Answer 1

我对sklearn了解不多，尽管我隐约记得一些早期的问题是由切换到使用稀疏矩阵引发的。 在内部，一些矩阵必须替换为m.toarray()或m.todense()。

但是，要让您了解错误消息的内容，请考虑

In [907]: A=np.array([[0,1],[3,4]])
In [908]: M=sparse.coo_matrix(A)
In [909]: len(A)
Out[909]: 2
In [910]: len(M)
...
TypeError: sparse matrix length is ambiguous; use getnnz() or shape[0]
In [911]: A.shape[0]
Out[911]: 2
In [912]: M.shape[0]
Out[912]: 2

len()通常在 Python 中用于计算列表的第一级术语的数量。 当应用于 2d 数组时，它是行数。 但A.shape[0]是计算行数的更好方法。M.shape[0]是一样的。 在这种情况下，你对.getnnz不感兴趣，这是稀疏矩阵的非零项的数量。 A没有这种方法，尽管可以从A.nonzero()派生。

Answer 2

是否将相同的数据结构(类型和形状(传递给分类器的fit方法和predict方法有点不清楚。随机森林需要很长时间才能运行大量功能，因此建议减少您链接到的帖子中的维度。

您应该将 SVD 应用于训练数据和测试数据，以便分类器在与您希望预测的数据相同的形状输入上进行训练。检查拟合的输入，预测方法的输入具有相同数量的特征，并且都是数组而不是稀疏矩阵。

更新示例： 更新为使用数据帧

from sklearn.feature_extraction.text import TfidfVectorizer
tfidf_vect= TfidfVectorizer(  use_idf=True, smooth_idf=True, sublinear_tf=False)
from sklearn.cross_validation import train_test_split
df= pd.DataFrame({'text':['cat on the','angel eyes has','blue red angel','one two blue','blue whales eat','hot tin roof','angel eyes has','have a cat']
              ,'class': [0,0,0,1,1,1,0,3]})

X = tfidf_vect.fit_transform(df['text'].values)
y = df['class'].values
from sklearn.decomposition.truncated_svd import TruncatedSVD        
pca = TruncatedSVD(n_components=2)                                
X_reduced_train = pca.fit_transform(X)  
a_train, a_test, b_train, b_test = train_test_split(X, y, test_size=0.33, random_state=42)
from sklearn.ensemble import RandomForestClassifier 
classifier=RandomForestClassifier(n_estimators=10)                  
classifier.fit(a_train.toarray(), b_train)                            
prediction = classifier.predict(a_test.toarray()) 

请注意，SVD 发生在拆分为训练集和测试集之前，因此传递给预测器的数组与调用 fit 方法的数组具有相同的n。