Используйте Scikit-Learn для классификации на несколько категорий

Я пытаюсь использовать один из методов обучения с помощью scikit-learn, чтобы классифицировать фрагменты текста по одной или нескольким категориям. Функция предсказания всех алгоритмов, которые я попробовал, просто возвращает одно совпадение.

Например, у меня есть кусок текста:

"Theaters in New York compared to those in London"

И я обучил алгоритм, чтобы выбрать место для каждого фрагмента текста, который я кормлю.

В приведенном выше примере я хотел бы вернуть New York и London, но он возвращает только New York.

Можно ли использовать scikit-learn для получения нескольких результатов? Или даже вернуть метку со следующей наибольшей вероятностью?

Спасибо за вашу помощь.

---Update

Я попытался использовать OneVsRestClassifier но я все еще получаю только один вариант обратно за фрагмент текста. Ниже приведен пример кода, который я использую

y_train = ('New York','London')


train_set = ("new york nyc big apple", "london uk great britain")
vocab = {'new york' :0,'nyc':1,'big apple':2,'london' : 3, 'uk': 4, 'great britain' : 5}
count = CountVectorizer(analyzer=WordNGramAnalyzer(min_n=1, max_n=2),vocabulary=vocab)
test_set = ('nice day in nyc','london town','hello welcome to the big apple. enjoy it here and london too')

X_vectorized = count.transform(train_set).todense()
smatrix2  = count.transform(test_set).todense()


base_clf = MultinomialNB(alpha=1)

clf = OneVsRestClassifier(base_clf).fit(X_vectorized, y_train)
Y_pred = clf.predict(smatrix2)
print Y_pred

Результат: ['Нью-Йорк' 'Лондон' 'Лондон']

Ответ 1

То, что вы хотите, называется классификацией с несколькими метками. Scikits-learn может это сделать. См. Здесь: http://scikit-learn.org/dev/modules/multiclass.html.

Я не уверен, что пойдет не так в вашем примере, моя версия sklearn, по-видимому, не имеет WordNGramAnalyzer. Возможно, это вопрос использования большего количества примеров обучения или попытки использования другого классификатора? Хотя обратите внимание, что классификатор с несколькими метками ожидает, что цель будет списком кортежей/списков меток.

Для меня работает следующее:

import numpy as np
from sklearn.pipeline import Pipeline
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.svm import LinearSVC
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.multiclass import OneVsRestClassifier

X_train = np.array(["new york is a hell of a town",
                    "new york was originally dutch",
                    "the big apple is great",
                    "new york is also called the big apple",
                    "nyc is nice",
                    "people abbreviate new york city as nyc",
                    "the capital of great britain is london",
                    "london is in the uk",
                    "london is in england",
                    "london is in great britain",
                    "it rains a lot in london",
                    "london hosts the british museum",
                    "new york is great and so is london",
                    "i like london better than new york"])
y_train = [[0],[0],[0],[0],[0],[0],[1],[1],[1],[1],[1],[1],[0,1],[0,1]]
X_test = np.array(['nice day in nyc',
                   'welcome to london',
                   'hello welcome to new york. enjoy it here and london too'])   
target_names = ['New York', 'London']

classifier = Pipeline([
    ('vectorizer', CountVectorizer(min_n=1,max_n=2)),
    ('tfidf', TfidfTransformer()),
    ('clf', OneVsRestClassifier(LinearSVC()))])
classifier.fit(X_train, y_train)
predicted = classifier.predict(X_test)
for item, labels in zip(X_test, predicted):
    print '%s => %s' % (item, ', '.join(target_names[x] for x in labels))

Для меня это производит вывод:

nice day in nyc => New York
welcome to london => London
hello welcome to new york. enjoy it here and london too => New York, London

Надеюсь, что это поможет.

Ответ 2

EDIT: Обновлено для Python 3, scikit-learn 0.18.1 с использованием MultiLabelBinarizer, как было предложено.

Я тоже работал над этим, и немного улучшил mwv отличный ответ, который может быть полезен. Он принимает текстовые метки как входные, а не двоичные метки и кодирует их с помощью MultiLabelBinarizer.

import numpy as np
from sklearn.pipeline import Pipeline
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.svm import LinearSVC
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.multiclass import OneVsRestClassifier
from sklearn.preprocessing import MultiLabelBinarizer

X_train = np.array(["new york is a hell of a town",
                    "new york was originally dutch",
                    "the big apple is great",
                    "new york is also called the big apple",
                    "nyc is nice",
                    "people abbreviate new york city as nyc",
                    "the capital of great britain is london",
                    "london is in the uk",
                    "london is in england",
                    "london is in great britain",
                    "it rains a lot in london",
                    "london hosts the british museum",
                    "new york is great and so is london",
                    "i like london better than new york"])
y_train_text = [["new york"],["new york"],["new york"],["new york"],["new york"],
                ["new york"],["london"],["london"],["london"],["london"],
                ["london"],["london"],["new york","london"],["new york","london"]]

X_test = np.array(['nice day in nyc',
                   'welcome to london',
                   'london is rainy',
                   'it is raining in britian',
                   'it is raining in britian and the big apple',
                   'it is raining in britian and nyc',
                   'hello welcome to new york. enjoy it here and london too'])
target_names = ['New York', 'London']

mlb = MultiLabelBinarizer()
Y = mlb.fit_transform(y_train_text)

classifier = Pipeline([
    ('vectorizer', CountVectorizer()),
    ('tfidf', TfidfTransformer()),
    ('clf', OneVsRestClassifier(LinearSVC()))])

classifier.fit(X_train, Y)
predicted = classifier.predict(X_test)
all_labels = mlb.inverse_transform(predicted)

for item, labels in zip(X_test, all_labels):
    print('{0} => {1}'.format(item, ', '.join(labels)))

Это дает мне следующий результат:

nice day in nyc => new york
welcome to london => london
london is rainy => london
it is raining in britian => london
it is raining in britian and the big apple => new york
it is raining in britian and nyc => london, new york
hello welcome to new york. enjoy it here and london too => london, new york

Ответ 3

Я тоже столкнулся с этим, и проблема для меня заключалась в том, что мой y_Train был последовательностью строк, а не последовательностью последовательностей String. По-видимому, OneVsRestClassifier будет решать на основе формата входных меток, использовать ли multi-class или multi-label. Итак, измените:

y_train = ('New York','London')

y_train = (['New York'],['London'])

По-видимому, это исчезнет в будущем, так как он разбивает все метки одинаковыми: https://github.com/scikit-learn/scikit-learn/pull/1987

Ответ 4

Измените эту строку, чтобы она работала в новых версиях python

# lb = preprocessing.LabelBinarizer()
lb = preprocessing.MultiLabelBinarizer()

Ответ 5

Несколько мульти классификационных примеров приведены ниже:

Пример 1: -

import numpy as np
from sklearn.preprocessing import LabelBinarizer
encoder = LabelBinarizer()

arr2d = np.array([1, 2, 3,4,5,6,7,8,9,10,11,12,13,14,1])
transfomed_label = encoder.fit_transform(arr2d)
print(transfomed_label)

Выход

[[1 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 1 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 1 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 1 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 1 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 1 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 1 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 1 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 1 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 1 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 1 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 1 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 1 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 1]
 [1 0 0 0 0 0 0 0 0 0 0 0 0 0]]

Пример 2:

import numpy as np
from sklearn.preprocessing import LabelBinarizer
encoder = LabelBinarizer()

arr2d = np.array(['Leopard','Lion','Tiger', 'Lion'])
transfomed_label = encoder.fit_transform(arr2d)
print(transfomed_label)

Выход

[[1 0 0]
 [0 1 0]
 [0 0 1]
 [0 1 0]]

Ответ 6

Как найти точность тестовых данных в этой программе? У меня возникли проблемы с поиском точности с помощью этой функции. Я хочу вычислить точность отзыва счетчика f1.