使用 NLTK、scikit-learn 和 OneVsRestClassifier 开启多标签分类

Question

免责声明：我对 AI、Python、NLTK 和 scikit-learn 还很陌生。

我正在尝试训练分类器将一组文档分类为一组标签。

我正在使用 NLTK 包装器与 scikit-learn 的 OneVsRestClassifier 对话。

training_set = [
    [{"car": True, ...}, "Label 1"],
    [{"car": False, ...}, "Label 2"],
    ...
    [{"car": False, ...}, "Label 1"],
]

ovr = SklearnClassifier(OneVsRestClassifier(MultinomialNB()))
ovr.train(training_set)

这适用于多类分类，分类器尝试仅将文档分类到标签。准确度很好，但我希望分类器为文档分配 0、1 或更多标签。我怎样才能做到这一点？

遗憾的是，documentation 说：

这个策略也可以用于多标签学习，其中一个分类器 用于预测多个标签，例如，通过拟合二维矩阵 如果样本 i 有标签 j，则单元格 [i, j] 为 1，否则为 0。

这对我来说不是很清楚，因为我不熟悉这种语言。我有一种感觉，我必须以这样一种方式来塑造我的训练集，以便分类器能够理解我希望它对我的数据进行多标签分类？如果是，如何？

我尝试在数组中提供标签，如下所示：

training_set = [
    [{"car": True, ...}, ["Label 1"]],
    [{"car": False, ...}, ["Label 2"]],
    ...
    [{"car": False, ...}, ["Label 1"]],
]

这没有按预期工作并引发：

DataConversionWarning: A column-vector y was passed when a 1d array was expected. Please change the shape of y to (n_samples, ), for example using ravel().
  y = column_or_1d(y, warn=True)
One-vs-rest accuracy percent: 0.0

Answer 1

我通过摆脱 NLTK 到 scikit-learn 适配器并导入 NLTK 模块来帮助我将数据结构转换为可用于 scikit-learn OneVsRestClassifier 的东西来解决这个问题。

from nltk import compat
from sklearn.feature_extraction import DictVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.multiclass import OneVsRestClassifier

_vectorizer = DictVectorizer(dtype=float, sparse=True)

def prepare_scikit_x_and_y(labeled_featuresets):
    X, y = list(compat.izip(*labeled_featuresets))
    X = _vectorizer.fit_transform(X)

    set_of_labels = []
    for label in y:
        set_of_labels.append(set(label))

    y = self.mlb.fit_transform(set_of_labels)

    return X, y

def train_classifier(labeled_featuresets):
    X, y = prepare_scikit_x_and_y(labeled_featuresets)
    classifier.fit(X, y)

training_set = [
    [{"car": True, ...}, ["Label 1"]],
    [{"car": False, ...}, ["Label 2"]],
    ...
    [{"car": False, ...}, ["Label 1"]],
]


ovr = OneVsRestClassifier(MultinomialNB())
ovr.train(training_set)

快乐豆

Answer 2

文档想说的是，使用二维矩阵作为目标。所以基本上，你的训练集可以是，

training_set = [
    [{"car": True, ...}, [is_label_1, is_label_2, is_label_3]],
    [{"car": False, ...}, [is_label_1, is_label_2, is_label_3]],
    ...
    [{"car": False, ...}, [is_label_1, is_label_2, is_label_3]],
]

对于特定样本，使用多个标签对其进行训练， 例如对于第一个样本，如果存在标签 1 和标签 3，则将其作为 [1, 0, 1] 传递。

希望，你的答案很清楚。