HashingVectorizer 后输入形状错误 Sklearn 错误

Question

我有 204567 个单词，其中 21010 个是唯一的。每个单词都与一个唯一的标签相关联。总共有 46 个唯一标签。

我已经使用特征散列来映射使用HashingVectorizer() 的 204567 个单词。我对标签进行了 one-hot 编码，并使用Perceptron() 模型来解决这个多类分类问题。

from keras.utils import np_utils
from sklearn.feature_extraction.text import HashingVectorizer 
from sklearn.linear_model import Perceptron
from sklearn.preprocessing import LabelEncoder

vect = HashingVectorizer(decode_error='ignore', n_features=2**15,
                          preprocessor=None)
X = vect.transform(X_train)

encoder = LabelEncoder()
y = encoder.transform(y_train)
target = np_utils.to_categorical(y)

ppn = Perceptron(n_iter=40, eta0=0.1, random_state=0)
ppn.fit(X, target)

但是，我收到以下错误：ValueError: bad input shape (204567, 46)

有没有更好的方法来编码标签？

附：请解释错误和可能的解决方案

Answer 1

函数np_utils.to_categorical() 需要一个class vector 作为参数，你给了一个形状

查看文档：

to_categorical

to_categorical(y, num_classes=None)

将类向量（整数）转换为二进制类矩阵。

例如与 categorical_crossentropy 一起使用。

参数

y：要转换为矩阵的类向量（从 0 到 num_classes 的整数）。 num_classes：类的总数。 返回

输入的二进制矩阵表示。

所以

target = np_utils.to_categorical(y)

给你一个错误类型

Answer 2

我将代码更改如下，现在它可以工作了：

from sklearn.feature_extraction.text import HashingVectorizer
from sklearn.neural_network import MLPClassifier
from sklearn.preprocessing import OneHotEncoder, LabelEncoder
from keras.models import Sequential
from keras.layers import Dense
from keras.utils import np_utils
from numpy import array   

vec = HashingVectorizer(decode_error = 'ignore', n_features = 2**15)
X = vec.fit_transform(X_train) 

values = array(y_train)

label_encoder = LabelEncoder()
integer_encoded = label_encoder.fit_transform(values)

encoded = np_utils.to_categorical(integer_encoded)
print(X.shape)
print(encoded.shape)

clf = MLPClassifier(activation = 'logistic', solver = 'adam', 
                    batch_size = 100, learning_rate = 'adaptive', 
                    max_iter = 20, random_state = 1, verbose = True )
clf.fit(X, encoded)
print('Accuracy: %.3f' %clf.score(X, encoded))

我将模型从感知器更改为多层感知器分类器，尽管我不完全确定它是如何工作的。欢迎解释。 现在我必须使用 n-gram 模型来解决同样的问题并比较结果。