给 scikit-learn 分类器自定义训练数据？

Question

我整天都在为此工作（相当挣扎）。阅读了文档和许多其他教程后，由于我的经验不足，我无法弄清楚如何将自己的数据与 MultinomialNB 分类器一起使用？

这是主要教程中的代码：

from sklearn.datasets import fetch_20newsgroups
from sklearn.naive_bayes import MultinomialNB

categories = ['alt.atheism', 'soc.religion.christian',
              'comp.graphics', 'sci.med']

text_clf = Pipeline([('vect', CountVectorizer()),
                     ('tfidf', TfidfTransformer()),
                     ('clf', MultinomialNB()),
])
twenty_train = fetch_20newsgroups(subset='train',
    categories=categories, shuffle=True, random_state=42)
text_clf.fit(twenty_train.data, twenty_train.target)  

docs_test = ['Graphics is love', 'the brain is part of the body']

predicted = text_clf.predict(docs_test)

for doc, category in zip(docs_test, predicted):
    print('%r => %s' % (doc, twenty_train.target_names[category]))

显然，它有效。但是我怎样才能用我自己的数据（存储在 python 字典等中）替换 fetch_20newsgroups 呢？而下面训练数据中的每一项都归为其中的一个类别，这是如何实现的？

我知道这不是一个很好的问题，但在这个需要的时候，我只想了解它是如何工作的。谢谢

Answer 1

几乎所有 sklearn fit 方法都将训练数据列表和标签列表作为输入。在您的情况下，训练数据列表将是一个字符串列表（您必须在其上训练模型的文本）。比如 ['this is my first training sample', 'this is second string', 'and this is third', ...]，还有另一个标签列表，比如 ['label1', 'label2', 'label1', ...].

您会将这些列表传递给 fit 方法：

text_clf.fit(list_of_training_datas, list_of_labels)

predict 方法将保持不变，因为它还会获取您要测试的样本列表，并将 return 包含每个测试样本的预测标签的列表。

给 scikit-learn 分类器自定义训练数据？

Give scikit-learn classifier custom training data?

python

training-data

scikit-learn