Sklearn 文本分类：为什么准确率这么低？

Question

好吧，我关注https://medium.com/@phylypo/text-classification-with-scikit-learn-on-khmer-documents-1a395317d195和https_data/tulytics.org/stable_with_text .html尝试根据类别对文本进行分类。 我的 dataframe 的布局如下，并命名为result ：

target   type    post
1      intj    "hello world shdjd"
2      entp    "hello world fddf"
16     estj   "hello world dsd"
4      esfp    "hello world sfs"
1      intj    "hello world ddfd"

目标是按类型对帖子进行分类，目标只是为 16 种类型中的每一种分配编号 1-16。 为了对文本进行分类，我这样做：

result = result[:1000] #shorten df - was :600

# split the dataset into training and validation datasets
train_x, valid_x, train_y, valid_y = model_selection.train_test_split(result['post'], result['type'], test_size=0.30, random_state=1)

# label encode the target variable
encoder = preprocessing.LabelEncoder()
train_y = encoder.fit_transform(train_y)
valid_y = encoder.fit_transform(valid_y)

def tokenizersplit(str):
    return str.split()
tfidf_vect = TfidfVectorizer(tokenizer=tokenizersplit, encoding='utf-8', min_df=2, ngram_range=(1, 2), max_features=25000)

tfidf_vect.fit(result['post'])
tfidf_vect.transform(result['post'])

xtrain_tfidf = tfidf_vect.transform(train_x)
xvalid_tfidf = tfidf_vect.transform(valid_x)

def train_model(classifier, trains, t_labels, valids, v_labels):
    # fit the training dataset on the classifier
    classifier.fit(trains, t_labels)

    # predict the labels on validation dataset
    predictions = classifier.predict(valids)

    return metrics.accuracy_score(predictions, v_labels)

# Naive Bayes
accuracy = train_model(naive_bayes.MultinomialNB(), xtrain_tfidf, train_y, xvalid_tfidf, valid_y)
print ("NB accuracy: ", accuracy)

# Logistic Regression
accuracy = train_model(linear_model.LogisticRegression(), xtrain_tfidf, train_y, xvalid_tfidf, valid_y)
print ("LR accuracy: ", accuracy)

根据我一开始缩短结果的程度，所有算法的准确度峰值都在 0.4 左右。 它应该是0.8-0.9。

我在分类器（朴素贝叶斯，DecissionTreeClassifier）上阅读了 scikit 非常低的准确度，但没有看到如何将其应用于我的 dataframe。 我的数据很简单 - 有类别（ type ）和文本（ post ）。

这里有什么问题？

编辑 - 朴素贝叶斯采取 2：

text_clf = Pipeline([
    ('vect', CountVectorizer()),
    ('tfidf', TfidfTransformer()),
    ('clf', MultinomialNB()),
])
text_clf.fit(result.post, result.target)

docs_test = result.post
predicted = text_clf.predict(docs_test)
np.mean(predicted == result.target)

print("Naive Bayes: ")
print(np.mean(predicted == result.target))

Answer 1

你在做什么

我认为的错误在于以下几行：

encoder = preprocessing.LabelEncoder()
train_y = encoder.fit_transform(train_y)
valid_y = encoder.fit_transform(valid_y)

通过拟合两次，您可以重置LabelEncoder的知识。
在一个更简单的例子中：

from sklearn import preprocessing

le = preprocessing.LabelEncoder()
y_train = le.fit_transform(["class1", "class2", "class3"])
y_valid = le.fit_transform(["class2", "class3"])
print(y_train)
print(y_valid)

输出这些 label 编码：

[0 1 2]
[0 1]

这是错误的，因为编码的 label 0是用于训练的class1和用于验证的class2 。

使固定

我会将您的第一行更改为：

result = result[:1000] #shorten df - was :600

# Encode the labels before splitting
encoder = preprocessing.LabelEncoder()
y_encoded = encoder.fit_transform(result['type'])

# CARE that I changed the target from result['type'] to y_encoded
train_x, valid_x, train_y, valid_y = model_selection.train_test_split(result['post'], y_encoded, test_size=0.30, random_state=1)

def tokenizersplit(str):
    return str.split()

.
.
.