格式化和组合词频与其他数据机器学习python

Question

我是机器学习算法的新手。我广泛阅读了 scikit learn 网站和其他 SO 帖子，这使我使用 RandomForestClassifier 和 LinearSVC 构建了我的第一个机器学习算法。

我正在写病历。患者的每次住院都与（或不）与并发症（出血、感染、心脏病发作......）相对应的代码相关联（或不相关）

使用注释，使用 Countvectorizer 和 tfidfTransformer 进行拟合和转换，我可以准确地预测大部分代码。但是，我想在我的训练数据集中添加更多数据：住院时间、手术次数、手术名称、ICU 住院时间……等等……

在解析网络和 SO 之后，我最终将所有连续/二进制/缩放值添加到我的词频数组中。

例如：[0,0,0.34,0,0.45,0, 2, 45]（最后 2 个数字是相加数据，而前一个数字匹配 countvectorizer 和 tfdif.fit_transform(train_set)

但是，在我看来，这似乎是一种粗略的数据组合方式，大量的单词可能会掩盖其他数据。

我尝试将我的数据设置为：[[0,0,0.34,0,0.45,0],[2],[45]]，但它不起作用。

我搜索了网络，但没有真正的线索，即使我可能不是第一个遇到这个问题的人......：p

感谢您的帮助

编辑：

感谢您提供详细的宝贵答案。我真的很感激。但是，0-1 的范围究竟是什么：它是 {predict_proba} 值 (http://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html#sklearn.ensemble.RandomForestClassifier.predict) 吗？我明白分数是预测模型的准确性。然后，当您根据每个变量进行所有预测时，您是否对所有预测进行平均？最终，我正在处理多个输出，我想这不是问题，因为我可以得到每个输出的预测（顺便说一句 predict_proba(X) 给我一个像 [array([[0.,1.]] ), array ([[0.2,0.8]]).....] 带有随机森林树分类器。我猜其中一个数字是输出的概率，但我还没有探索过这个！）

Answer 1

您的第一个解决方案是添加到列表中是正确的解决方案。但是，您应该考虑一下这意味着什么。如果您有 100 个单词并添加了两个附加功能，则每个特定单词将获得与添加的功能相同的“权重” - IE - 您添加的功能在模型中不会受到非常强烈的对待。此外，您是说最后一个值为 45 的特征是从末尾算起第 4 个特征的值 (0.45) 的 100 倍。

解决此问题的一种常见方法是使用集成模型。与其将这些特征添加到您的单词列表中并进行预测，不如先构建一个仅使用这些单词的预测模型。该预测将在 0-1 范围内，并将捕捉文章的“情绪”。然后，缩放其他变量（最小最大缩放器、正态分布等）。最后，将单词的分数与最后两个缩放变量结合起来，并在这样的列表上运行另一个预测 [.86,.2,.65]。通过这种方式，您已将所有单词转换为情感分数，您可以将其用作特征。

希望对您有所帮助。

根据以上更新进行编辑

是的，在这种情况下，您可以使用 predict_proba，但实际上，如果一切都正确缩放，并且您使用 1/0 作为您不需要 predict_proba 的类的目标。这个想法是从单词中获取预测并将其与其他变量结合起来。你不平均预测，你从预测中做出预测！这称为集成学习。使用您的预测输出作为特征来训练另一个模型。这是您需要做的流程。

Answer 2

感谢您的宝贵时间和详细的回答。我想我明白了。简而言之：

1. 基于单词的预测，对于训练集 (t1) 的每一包单词，你拉出一个“情绪”
2. 使用情绪和其他值为每个训练集行创建一个新数组->新训练集 (t2)
3. 根据 t2 进行预测。
4. 将之前的步骤应用于测试。

还有一个问题！

什么是“情绪”值？！对于每个词袋，我有一个稀疏矩阵（countvectorizer+tf_idf）。那么如何计算情绪呢？您是否在测试的其余部分再次运行测试的每一行？你的情绪是 clf.predict(X) 值吗？