Я использую SciPy и scikit-learn для обучения и применения многокомпонентного классификатора Наивного Байеса для бинарная текстовая классификация. Точно, я использую модуль sklearn.feature_extraction.text.CountVectorizer для создания разреженных матриц, которые содержат слова функции counts из текста и модуля sklearn.naive_bayes.MultinomialNB в качестве реализации классификатора для обучения классификатора данных обучения и применения его к тестовым данным.
Вход в CountVectorizer представляет собой список текстовых документов, представленных в виде строк в Юникоде. Данные обучения намного больше, чем тестовые данные. Мой код выглядит так (упрощенный):
vectorizer = CountVectorizer(**kwargs)
# sparse matrix with training data
X_train = vectorizer.fit_transform(list_of_documents_for_training)
# vector holding target values (=classes, either -1 or 1) for training documents
# this vector has the same number of elements as the list of documents
y_train = numpy.array([1, 1, 1, -1, -1, 1, -1, -1, 1, 1, -1, -1, -1, ...])
# sparse matrix with test data
X_test = vectorizer.fit_transform(list_of_documents_for_testing)
# Training stage of NB classifier
classifier = MultinomialNB()
classifier.fit(X=X_train, y=y_train)
# Prediction of log probabilities on test data
X_log_proba = classifier.predict_log_proba(X_test)
Проблема: Как только вызывается MultinomialNB.predict_log_proba(), я получаю ValueError: dimension mismatch. В соответствии с приведенной ниже таблицей IPython ошибка возникает в SciPy:
/path/to/my/code.pyc
--> 177 X_log_proba = classifier.predict_log_proba(X_test)
/.../sklearn/naive_bayes.pyc in predict_log_proba(self, X)
76 in the model, where classes are ordered arithmetically.
77 """
--> 78 jll = self._joint_log_likelihood(X)
79 # normalize by P(x) = P(f_1, ..., f_n)
80 log_prob_x = logsumexp(jll, axis=1)
/.../sklearn/naive_bayes.pyc in _joint_log_likelihood(self, X)
345 """Calculate the posterior log probability of the samples X"""
346 X = atleast2d_or_csr(X)
--> 347 return (safe_sparse_dot(X, self.feature_log_prob_.T)
348 + self.class_log_prior_)
349
/.../sklearn/utils/extmath.pyc in safe_sparse_dot(a, b, dense_output)
71 from scipy import sparse
72 if sparse.issparse(a) or sparse.issparse(b):
--> 73 ret = a * b
74 if dense_output and hasattr(ret, "toarray"):
75 ret = ret.toarray()
/.../scipy/sparse/base.pyc in __mul__(self, other)
276
277 if other.shape[0] != self.shape[1]:
--> 278 raise ValueError('dimension mismatch')
279
280 result = self._mul_multivector(np.asarray(other))
Я не знаю, почему эта ошибка возникает. Может ли кто-нибудь объяснить это мне и предоставить решение этой проблемы? Большое спасибо заранее!
