通过先前训练的模型预测看不见的数据

Question

我正在使用 Scikit-learn 执行监督机器学习。我有两个数据集。第一个数据集包含具有 X 特征和 Y 标签的数据。第二个数据集仅包含 X 个特征，但没有 Y 标签。我可以成功地对训练/测试数据执行 LinearSVC 并获得测试数据集的 Y 标签。

现在，我想使用我为第一个数据集训练的模型来预测第二个数据集的标签。如何在 Scikit-learn 中使用从第一个数据集到第二个数据集（看不见的标签）的预训练模型？

我尝试的代码 sn-p： 以下来自 cmets 的更新代码：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.svm import LinearSVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix
import pandas as pd
import pickle


# ----------- Dataset 1: for training ----------- #
# Sample data ONLY
some_text = ['Books are amazing',
             'Harry potter book is awesome. It rocks',
             'Nutrition is very important',
             'Welcome to library, you can find as many book as you like',
             'Food like brocolli has many advantages']
y_variable = [1,1,0,1,0]

# books = 1 : y label
# food = 0 : y label

df = pd.DataFrame({'text':some_text,
                   'y_variable': y_variable
                          })

# ------------- TFIDF process -------------#
tfidf = TfidfVectorizer()
features = tfidf.fit_transform(df['text']).toarray()
labels = df.y_variable
features.shape


# ------------- Build Model -------------#
model = LinearSVC()
X_train, X_test, y_train, y_test= train_test_split(features,
                                                 labels,
                                                 train_size=0.5,
                                                 random_state=0)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)


# Export model
pickle.dump(model, open('model.pkl', 'wb'))
# Read the Model
model_pre_trained = pickle.load(open('model.pkl','rb'))


# ----------- Dataset 2: UNSEEN DATASET ----------- #

some_text2 = ['Harry potter books are amazing',
             'Gluten free diet is getting popular']

unseen_df = pd.DataFrame({'text':some_text2}) # Notice this doesn't have y_variable. This the is the data set I am trying to predict y_variable labels 1 or 0.


# This is where the ERROR occurs
X_unseen = tfidf.fit_transform(unseen_df['text']).toarray()
y_pred_unseen = model_pre_trained.predict(X_unseen) # error here: 
# ValueError: X has 11 features per sample; expecting 26


print(X_unseen.shape) # prints (2, 11)
print(X_train.shape) # prints (2, 26)


# Looking for an output like this for UNSEEN data
# Looking for results after predicting unseen and no label data. 
text                                   y_variable
Harry potter books are amazing         1
Gluten free diet is getting popular    0

它不一定是我上面尝试的泡菜代码。我正在寻找是否有人有建议，或者是否有任何预构建功能可以从 scikit 进行预测？

Answer 1

如您所见，您的第一个 tfidf 将您的输入转换为 26 个特征，而您的第二个 tfidf 将它们转换为 11 个特征。因此发生错误是因为X_train 的形状与X_unseen 不同。提示会告诉您，X_unseen 中的每个观察所具有的特征少于 model 被训练接收的特征数量。

在第二个脚本中加载 model 后，您将在文本中安装另一个矢量化器。也就是说，第一个脚本中的tfidf 和第二个脚本中的tfidf 是不同的对象。为了使用model 进行预测，您需要使用原始tfidf 转换X_unseen。为此，您必须导出原始矢量化器，将其加载到新脚本中并使用它转换新数据，然后再将其传递给model。

### Do this in the first program
# Dump model and tfidf
pickle.dump(model, open('model.pkl', 'wb'))
pickle.dump(tfidf, open('tfidf.pkl', 'wb'))

### Do this in the second program
model = pickle.load(open('model.pkl', 'rb'))
tfidf = pickle.load(open('tfidf.pkl', 'rb'))

# Use `transform` instead of `fit_transform`
X_unseen = tfidf.transform(unseen_df['text']).toarray()

# Predict on `X_unseen`
y_pred_unseen = model_pre_trained.predict(X_unseen)

Answer 2

想象一下，您训练了一个 AI 使用发动机、轮子、机翼和飞行员领结的图片来识别飞机。现在你调用这个相同的 AI 并要求它预测仅带有领结的飞机模型。这就是 scikit-learn 告诉你的：X_unseen 中的特征（= 列）比 X_train 或 X_test 中的少得多。

Answer 3

忽略第二个数据集并使用 train_test_split 创建您的测试集。