测试数据和训练数据的列数不一样

Question

我正在尝试确定新闻标题是真是假。

为此，我使用 'CountVectorizer' 来计算每个单词在每个句子中的使用次数。

问题是句子中的词数不一样，所以训练集和测试集的列数不一样。

因此，该程序在测试阶段无法运行。

# Vectorized All Data
from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(sentenceInput)

result = pd.DataFrame(data = X.toarray())

所以，'result'变量是依赖数据。

# Naive Bayes Prediction
from sklearn.naive_bayes import GaussianNB
nb = GaussianNB()
nb.fit(result,targetInput)

我通过目标变量向系统教授数据。

问题在那之后开始。

# Test Data
X = vectorizer.fit_transform(testList)
print(vectorizer.get_feature_names())
print(X.toarray())

testResult = pd.DataFrame(data = X.toarray())

prediction = nb.predict(testResult)
print(prediction)

当我想在屏幕上打印 'prediction' 时出现以下错误。

ValueError: operands could not be broadcast together with shapes (489,1828) 
(5273,)

我不确定问题是否正是我所说的。

Answer 1

CountVectorizer实际上并不关心每个句子有多少个单词，它的输出是一个稀疏矩阵，其中列是单词，行是句子，值是次数该词出现在给定的句子中，即 cabbage 出现 3 次，bag 出现 0 次等

为了使您的数据匹配，您需要使用相同的 CountVectorizer 而不是改装，这是目前在您的测试阶段发生的事情（使用 .fit_transform()）

将您的测试更改为简单的 transform，这部分问题应该会消失。这将使用您在所有数据上训练的 CountVectorizer，并以您用于创建模型的形式输出值。

# Test Data
X = vectorizer.transform(testList)

测试数据和训练数据的列数不一样

The number of columns of test data and training data is not the same

python

machine-learning

prediction

naivebayes