ValueError: Number of features of the model must match the input (sklearn)

Question

我正在尝试运行一些电影评论数据的分类器。数据已经被分成 reviews_train.txt 和 reviews_test.txt。然后我加载数据并将每个数据分为评论和标签（正面 (0) 或负面 (1)），然后矢量化这些数据。这是我的代码：

from sklearn import tree
from sklearn.metrics import accuracy_score
from sklearn.feature_extraction.text import TfidfVectorizer
#read the reviews and their polarities from a given file

def loadData(fname):
    reviews=[]
    labels=[]
    f=open(fname)
    for line in f:
        review,rating=line.strip().split('\t')  
        reviews.append(review.lower())    
        labels.append(int(rating))
    f.close()

    return reviews,labels

rev_train,labels_train=loadData('reviews_train.txt')
rev_test,labels_test=loadData('reviews_test.txt')

#vectorizing the input
vectorizer = TfidfVectorizer(ngram_range=(1,2))
vectors_train = vectorizer.fit_transform(rev_train)
vectors_test = vectorizer.fit_transform(rev_test)

clf = tree.DecisionTreeClassifier()
clf = clf.fit(vectors_train, labels_train)

#prediction
pred=clf.predict(vectors_test)
#print accuracy

print (accuracy_score(pred,labels_test))

但是我不断收到此错误：

ValueError: Number of features of the model must match the input.
Model n_features is 118686 and input n_features is 34169

我是 Python 的新手，所以如果这是一个简单的修复，我提前表示歉意。

Answer 1

问题就在这里：

vectorizer = TfidfVectorizer(ngram_range=(1,2))
vectors_train = vectorizer.fit_transform(rev_train)
vectors_test = vectorizer.fit_transform(rev_test)

您对训练数据和测试数据都调用 fit_transform。 fit_transform 同时创建存储在 vectorizer 中的模型，然后使用该模型创建向量。因为你调用了两次，所以发生的事情是首先创建 vectors_train 并生成输出特征向量，然后你用测试数据第二次调用 fit_transform 覆盖模型。与测试数据相比，当您训练具有不同长度特征的决策树时，这会导致向量大小的差异。

执行测试时，您必须使用与训练相同的模型转换数据。因此，不要在测试数据上调用 fit_transform - 只需使用 transform 来使用已经创建的模型：

vectorizer = TfidfVectorizer(ngram_range=(1,2))
vectors_train = vectorizer.fit_transform(rev_train)
vectors_test = vectorizer.transform(rev_test) # Change here

ValueError: Number of features of the model must match the input (sklearn)

ValueError: Number of features of the model must match the input (sklearn)

python

machine-learning

scikit-learn

sklearn-pandas

tfidfvectorizer