用于文本分类任务的最佳scikit分类器

Question

我正在使用scikit对短语的含义进行文本分类。例如：

"Yes" - label.yes
"Yeah" - label.yes
...
"I don't know" - label.i_don't_know
"I am not sure" - label.i_don't_know
"I have no idea" - label.i_don't_know

使用TfidfVectorizer和MultinomialNB分类器，一切都很好。

当我添加新的文本/标签对时出现了问题：

"I" - label.i

预测"I"的类仍然返回label.I_don't_know，即使文本正好在这样的训练数据中，这可能是由于unigram"I"发生在标签.i.don't_know中的频率高于标签.i.

是否有一种分类器可以在该任务上提供相当或更好的性能，并保证正确返回训练数据元素的预测？

此代码进一步说明了问题：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
#instantiate classifier and vectorizer
clf=MultinomialNB(alpha=.01)
vectorizer =TfidfVectorizer(min_df=1,ngram_range=(1,2))
#Apply vectorizer to training data
traindata=['yes','yeah','i do not know','i am not sure','i have no idea','i'];
X_train=vectorizer.fit_transform(traindata)
#Label Ids
y_train=[0,0,1,1,1,2];
#Train classifier
clf.fit(X_train, y_train)
print clf.predict(vectorizer.transform(['i']))

代码输出标签1，但正确的分类是标签2。

Answer 1

问题不在于分类器，而在于矢量器。TfidfVectorizer有一个参数token_pattern : string，它是一个"正则表达式，表示"token"的组成部分，仅在tokenize=='word'时使用。默认regexp选择2个或更多字母字符的token（标点符号被完全忽略，始终被视为令牌分隔符）。"（增加了强调）。标记化器抛出单词i，导致一个空文档。Naive Bayes将其分类为类别1，因为这是训练数据中最频繁的类别。

根据数据，您可能需要考虑对Naive Bayes使用统一先验。

---

关于为什么事情可能不起作用的进一步提示：

您的管道设置方式可能还有其他一些奇怪之处。我发现检查每个阶段（标记器、矢量器、分类器等）的输入和输出很有用。从长远来看，在编写单元测试上投入一些时间将为您节省大量时间。

一旦你对一切都很满意，就试着根据测试数据评估你的分类器。我怀疑你们的课之间有相当大的重叠，特别是label.i_don't_know和label.i。如果是这种情况，分类器将表现不佳。