我已经尝试了所有我能想到的方法来解决我的Python多标签文本分类问题,真的很感激任何帮助。我已经基于这里使用multilabelbinarizer的结果,并参考了此网页。
我正在尝试预测一组用西班牙语书写的数据集中的特定类别,其中有7个不同的标签,我的数据集在这里展示。我有一条书面信息和每行的不同标签。每个文本消息都有一个或两个标签,具体取决于消息。
到目前为止,一切顺利,但是当我试图验证问题时,似乎几乎每个类别都被归类为 "无" 。
非常感谢您的帮助。
我正在尝试预测一组用西班牙语书写的数据集中的特定类别,其中有7个不同的标签,我的数据集在这里展示。我有一条书面信息和每行的不同标签。每个文本消息都有一个或两个标签,具体取决于消息。
df2=df.copy()
df2.drop(["mensaje", "pregunta_parseada", "tags_totales"], axis=1, inplace=True)
# Divide into train and test
X_train, X_test, y_train, y_test = train_test_split(df['pregunta_parseada'],
df2,
test_size=0.15,
random_state=42)
from sklearn.feature_extraction.text import TfidfVectorizer, CountVectorizer
features_train = tfidf.fit_transform(X_train).toarray()
labels_train = y_train
features_test = tfidf.transform(X_test).toarray()
labels_test = y_test
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
from sklearn.metrics import accuracy_score
from sklearn.multiclass import OneVsRestClassifier
lr = LogisticRegression(solver='sag', n_jobs=1)
clf = OneVsRestClassifier(lr)
# fit model on train data
clf.fit(features_train, labels_train)
# make predictions for validation set
y_pred = clf.predict(features_test)
到目前为止,一切顺利,但是当我试图验证问题时,似乎几乎每个类别都被归类为 "无" 。
y_pred[2]
accuracy_score(y_test,y_pred)
输出
array([0, 0, 0, 0, 0, 0, 0])
0.2574626865671642
我也尝试了使用MultiLabelBinarizer,但遇到了同样的问题,我哪里出错了?尝试使用MultiLabelBinarizer会得到以下结果:
z=[["Generico"],["Mantenimiento"],["Motor"],["Generico"],["Motor"],
["Generico"],["Motor"],["Generico","Configuracion"],["Generico"],
["Motor"],["Consumo"],...,["Consumo"]]
from sklearn.preprocessing import MultiLabelBinarizer
mlb = MultiLabelBinarizer()
y=mlb.fit_transform(z)
message = df["pregunta_parseada"].to_numpy()
X_train, X_test, y_train, y_test = train_test_split(message,
y,
test_size=0.15,
random_state=42)
classifier = Pipeline([
('vectorizer', CountVectorizer()),
('tfidf', TfidfTransformer()),
('clf', OneVsRestClassifier(LinearSVC()))])
classifier.fit(X_train, y_train)
predicted = classifier.predict(X_test)
accuracy_score(y_test, predicted)
#predicted[150]
all_labels = mlb.inverse_transform(predicted)
all_labels
以下是输出结果
(),
(),
(),
(),
('Generico',),
(),
(),
(),
(),
('Compra',),
('Motor', 'extras'),
非常感谢您的帮助。