Scikit-Learn 的流水线：传递了一个稀疏矩阵，但需要密集数据

Question

我发现很难理解如何修复我创建的管道（阅读：主要从教程中粘贴）。 这是python 3.4.2：

df = pd.DataFrame
df = DataFrame.from_records(train)

test = [blah1, blah2, blah3]

pipeline = Pipeline([('vectorizer', CountVectorizer()), ('classifier', RandomForestClassifier())])

pipeline.fit(numpy.asarray(df[0]), numpy.asarray(df[1]))
predicted = pipeline.predict(test)

当我运行它时，我得到：

TypeError: A sparse matrix was passed, but dense data is required. Use X.toarray() to convert to a dense numpy array.

这是针对线pipeline.fit(numpy.asarray(df[0]), numpy.asarray(df[1])) 。

我已经通过 numpy、scipy 等尝试了很多解决方案，但我仍然不知道如何解决它。 是的，以前也出现过类似的问题，但不是在管道内。 我必须在哪里申请toarray或todense ？

Answer 1

不幸的是，这两者是不相容的。 CountVectorizer产生一个稀疏矩阵，而 RandomForestClassifier 需要一个密集矩阵。 可以使用X.todense()进行转换。 这样做会大大增加您的内存占用。

以下是基于http://zacstewart.com/2014/08/05/pipelines-of-featureunions-of-pipelines.html执行此操作的示例代码，它允许您在管道阶段调用.todense() 。

class DenseTransformer(TransformerMixin):

    def fit(self, X, y=None, **fit_params):
        return self

    def transform(self, X, y=None, **fit_params):
        return X.todense()

拥有DenseTransformer ，您就可以将其添加为管道步骤。

pipeline = Pipeline([
     ('vectorizer', CountVectorizer()), 
     ('to_dense', DenseTransformer()), 
     ('classifier', RandomForestClassifier())
])

另一种选择是使用用于稀疏数据的分类器，如LinearSVC 。

from sklearn.svm import LinearSVC
pipeline = Pipeline([('vectorizer', CountVectorizer()), ('classifier', LinearSVC())])

Answer 2

最简洁的解决方案是使用FunctionTransformer转换为密集的：这将自动实现fit 、 transform和fit_transform方法，如大卫的回答。 此外，如果我的管道步骤不需要特殊名称，我喜欢使用sklearn.pipeline.make_pipeline便利函数来启用更简约的语言来描述模型：

from sklearn.preprocessing import FunctionTransformer

pipeline = make_pipeline(
     CountVectorizer(), 
     FunctionTransformer(lambda x: x.todense(), accept_sparse=True), 
     RandomForestClassifier()
)

Answer 3

0.16-dev 中的随机森林现在接受稀疏数据。

Answer 4

您可以使用.values方法将 pandas Series更改为数组。

pipeline.fit(df[0].values, df[1].values)

但是我认为这里的问题是因为CountVectorizer()默认返回一个稀疏矩阵，并且不能通过管道传输到 RF 分类器。 CountVectorizer()确实有一个dtype参数来指定返回的数组类型。 这就是说通常你需要做某种降维才能使用随机森林进行文本分类，因为词袋特征向量很长

Answer 5

使用此管道添加 TfidTransformer plus

        pipelinEx = Pipeline([('bow',vectorizer),
                           ('tfidf',TfidfTransformer()),
                           ('to_dense', DenseTransformer()), 
                           ('classifier',classifier)])

上面的第一行以稀疏矩阵形式获取文档的字数。 但是，在实践中，您可能正在使用 TfidfTransformer 在一组新的未见文档上计算 tfidf 分数。 然后，通过调用 tfidf transformer.transform(vectorizer)，您最终将计算文档的 tf-idf 分数。 在内部，这是计算 tf * idf 乘法，其中术语频率由其 idf 值加权。