用scikit理解accuracy_score - 用我自己的语料库学习？

Question

假设我已准备好用scikit进行一些文本分类学习SVC 。 首先我将语料库矢量化，我将数据分成测试和训练集，然后我将标签设置到火车组中。 现在我想获得分类的准确性。

从文档中我读了以下内容：

>>> import numpy as np
>>> from sklearn.metrics import accuracy_score
>>> y_pred = [0, 2, 1, 3]
>>> y_true = [0, 1, 2, 3]
>>> accuracy_score(y_true, y_pred)
0.5
>>> accuracy_score(y_true, y_pred, normalize=False)
2

问题是我不明白是什么： y_pred = [0, 2, 1, 3]和y_true = [0, 1, 2, 3]我怎样才能“达到”或获得这些值一旦我分类我的测试集自己的语料库。 有人可以帮我解决这个问题吗？

让我们举个例子如下：

trainingdata：

Pošto je EULEX obećao da će obaviti istragu o prošlosedmičnom izbijanju nasilja na sjeveru Kosova, taj incident predstavlja još jedan ispit kapaciteta misije da doprinese jačanju vladavine prava.
De todas as provações que teve de suplantar ao longo da vida, qual foi a mais difícil? O início. Qualquer começo apresenta dificuldades que parecem intransponíveis. Mas tive sempre a minha mãe do meu lado. Foi ela quem me ajudou a encontrar forças para enfrentar as situações mais decepcionantes, negativas, as que me punham mesmo furiosa.
Al parecer, Andrea Guasch pone que una relación a distancia es muy difícil de llevar como excusa. Algo con lo que, por lo visto, Alex Lequio no está nada de acuerdo. ¿O es que más bien ya ha conseguido la fama que andaba buscando?
Vo väčšine golfových rezortov ide o veľký komplex niekoľkých ihrísk blízko pri sebe spojených s hotelmi a ďalšími možnosťami trávenia voľného času – nie vždy sú manželky či deti nadšenými golfistami, a tak potrebujú iný druh vyžitia. Zaujímavé kombinácie ponúkajú aj rakúske, švajčiarske či talianske Alpy, kde sa dá v zime lyžovať a v lete hrať golf pod vysokými alpskými končiarmi.

测试数据：

Por ello, ha insistido en que Europa tiene que darle un toque de atención porque Portugal esta incumpliendo la directiva del establecimiento del peaje
Estima-se que o mercado homossexual só na Cidade do México movimente cerca de oito mil milhões de dólares, aproximadamente seis mil milhões de euros


import codecs, re, time
from itertools import chain

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

trainfile = 'train.txt'
testfile = 'test.txt'

# Vectorizing data.
train = []
word_vectorizer = CountVectorizer(analyzer='word')
trainset = word_vectorizer.fit_transform(codecs.open(trainfile,'r','utf8'))
tags = ['bs','pt','es','sr']

# Training NB
mnb = MultinomialNB()
mnb.fit(trainset, tags)

# Tagging the documents
codecs.open(testfile,'r','utf8')
testset = word_vectorizer.transform(codecs.open(testfile,'r','utf8'))
results = mnb.predict(testset)

print results

Answer 1

您的示例中存在一个小错误。 这条线：

tags = ['SPAM','HAM','another_class']

是错的。 您的语料库中的每个示例（句子/文档）都应该有一个标记。 所以tags不应该是3，而是trainset的长度。

这同样适用于测试集。 你应该有一个变量test_tags ，其长度与testset相同。 这些标记通常是文件'test.txt'中的一列，但您可以从其他地方获取它。 这将是你的y_true 。

当您在测试集上预测时，您将获得与testset相同长度的向量：

results = mnb.predict(testset)

即测试集中每个示例的标记预测。

这是你的y_pred 。 我省略了一些与多类vs单类案例相关的细节（另一个问题的材料），但这应该回答你的问题。

Answer 2

我希望这会对你有所帮助。 您询问：

问题是我不明白是什么：y_pred = [0,2,1,3]和y_true = [0,1,2,3]我怎样才能“达到”或获得这些值一旦我分类我的测试集自己的语料库。 有人可以帮我解决这个问题吗？

答：如您所知，分类器应该将数据分类到不同的类。 在上面的例子中，假设数据有四个不同的类，用标签0,1,2和3指定。因此，如果我们的数据是关于在单色图像中对颜色进行分类，标签将代表如下：blue，红色，黄色和绿色。 上面的例子显示的另一个问题是数据中只有四个smaples。 例如，他们只有四个图像， y_true显示他们的真实标签（或者我们称之为groundtruth）。 y_pred显示分类器的预测。 现在，如果我们比较两个列表，如果两者都相同，我们的准确度为100％，但是，在这种情况下，您会看到两个标签预测的标签与他们的地面真实不符。

现在，在您的示例代码中，您已经写道：

tags = ['SPAM','HAM','another_class']

就像我上面解释的那样，首先意味着你的数据由3个不同的类组成; 而且，它表明您的数据仅包含3个样本（可能不是您真正想要的样本）。 因此，此列表的长度应等于训练数据中的样本数。 如果您有其他问题，请告诉我。