Python - 将 GridSearchCV 与 NLTK 一起使用答案

【问题标题】：Python - Using GridSearchCV with NLTKPython - 将 GridSearchCV 与 NLTK 一起使用
【发布时间】：2019-01-18 03:46:33
【问题描述】：

我有点不确定如何将 SKLearn 的 GridSearchCV 应用于我与 NLTK 一起使用的随机森林。讨论了如何正常使用 GridSearchCV here，但是我的数据的格式与标准的 x 和 y 拆分不同。这是我的代码：

import nltk
import numpy as np
from nltk.classify.scikitlearn import SklearnClassifier
from nltk.corpus.reader import CategorizedPlaintextCorpusReader
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC


reader_train = CategorizedPlaintextCorpusReader('C:/Users/User/Documents/Sentiment/machine_learning/amazon/amazon/', r'.*\.txt', cat_pattern=r'(\w+)/*', encoding='latin1')

documents_train = [ (list(reader_train.words(fileid)), category)
                 for category in reader_train.categories()
                 for fileid in reader_train.fileids(category) ]

all_words = []

for w in reader_train.words():
    all_words.append(w.lower())

all_words = nltk.FreqDist(all_words)

word_features = list(all_words.keys())[:3500]

def find_features(documents):
    words = set(documents)
    features = {}
    for w in word_features:
        features[w] = (w in words)

return features

featuresets_train = [(find_features(rev), category) for (rev, category) in documents_train]

np.random.shuffle(featuresets_train)

training_set = featuresets_train[:1600]
testing_set = featuresets_train[:400]

RandFor = SklearnClassifier(RandomForestClassifier())
RandFor.train(training_set)
print("RandFor accuracy:", (nltk.classify.accuracy(RandFor, testing_set)) *100)

此代码不是生成传统的 x 和 y 拆分，而是生成一个元组列表，其中每个元组的格式如下：

({'i': True, 'am': False, 'conflicted': False ... 'about': False}, neg)

有没有办法将 GridSearchCV 应用于这种格式的数据？

【问题讨论】：

您正在将已经完美的 scikit learn 估计器（在这种情况下为RandomForestClassifier）包装到与 nltk 兼容的估计器中。您需要使用RandomForestClassifier 和GridSearchCV 吗？
GridSearchCV 不是必需品，我很乐意尝试其他优化算法。但是，它确实需要是 RandomForest。

标签： performance scikit-learn nltk random-forest hyperparameters

【解决方案1】：

要将training_set 转换为 scikit 可用的形式，您只需要这样做

from sklearn.feature_extraction import DictVectorizer
vectorizer = DictVectorizer()

X_train, y_train = list(zip(*training_set))
X_train = vectorizer.fit_transform(X_train)

X_test, y_test = list(zip(*testing_set))
X_test = vectorizer.transform(X_test)

之后就可以轻松调用了

clf = RandomForestClassifier()
clf.fit(X_train, y_train)

accuracy = clf.score(X_test, y_test)
print("RandFor accuracy:", (accuracy) * 100)

【讨论】：

谢谢你的伙伴，非常感谢，而且似乎工作得很好！祝你有美好的一天。