使用 Sklearn 进行多标签文本分类

Question

为了解决 Python 中的多标签文本分类问题，我已经尝试了所有我能想到的方法，我非常感谢任何帮助。 我在这里使用 multilabelbinarizer 和在此 web 页面中基于我的结果。

我正在尝试预测用西班牙语编写的数据集中的某些类别，其中我有 7 个不同的标签，我的数据集显示在这里。 我为每一行写了一条消息和不同的标签。 每个文本消息都有一个或两个标签，具体取决于消息。

df2=df.copy()
df2.drop(["mensaje", "pregunta_parseada", "tags_totales"], axis=1, inplace=True)

# Divide into train and test
X_train, X_test, y_train, y_test = train_test_split(df['pregunta_parseada'], 
                                                df2,
                                                test_size=0.15, 
                                                random_state=42)

from sklearn.feature_extraction.text import TfidfVectorizer, CountVectorizer

features_train = tfidf.fit_transform(X_train).toarray()
labels_train = y_train

features_test = tfidf.transform(X_test).toarray()
labels_test = y_test


from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
from sklearn.metrics import accuracy_score
from sklearn.multiclass import OneVsRestClassifier


lr = LogisticRegression(solver='sag', n_jobs=1)
clf = OneVsRestClassifier(lr)

# fit model on train data
clf.fit(features_train, labels_train)

# make predictions for validation set
y_pred = clf.predict(features_test)

到目前为止，一切都很好，但是当我尝试验证问题时，似乎几乎每个类别都被归类为“无”

y_pred[2]
accuracy_score(y_test,y_pred)

Output

array([0, 0, 0, 0, 0, 0, 0])
0.2574626865671642

我也尝试了 MultiLabelBinarizer 并且我遇到了同样的问题，我做错了什么？ 尝试使用 MultiLabelBinarizer 产生了以下结果：

z=[["Generico"],["Mantenimiento"],["Motor"],["Generico"],["Motor"], 
["Generico"],["Motor"],["Generico","Configuracion"],["Generico"], 
["Motor"],["Consumo"],...,["Consumo"]]

from sklearn.preprocessing import MultiLabelBinarizer
mlb = MultiLabelBinarizer()
y=mlb.fit_transform(z)

message = df["pregunta_parseada"].to_numpy()
X_train, X_test, y_train, y_test = train_test_split(message, 
                                                y, 
                                                test_size=0.15, 
                                                random_state=42)
classifier = Pipeline([
('vectorizer', CountVectorizer()),
('tfidf', TfidfTransformer()),
('clf', OneVsRestClassifier(LinearSVC()))])

 classifier.fit(X_train, y_train)
 predicted = classifier.predict(X_test)
 accuracy_score(y_test, predicted)
 #predicted[150]
 all_labels = mlb.inverse_transform(predicted)
 all_labels

配以下output

 (),
 (),
 (),
 (),
 ('Generico',),
 (),
 (),
 (),
 (),
 ('Compra',),
 ('Motor', 'extras'),

非常感谢你的帮助

Answer 1

我认为问题在于您的数据。 它可能太稀疏了。

我看到您正在使用OneVsRestClassifier ，因此它构建了多个二进制分类器来决定标签。

我认为，您的代码中没有直接的错误，但 model 的选择不适合该任务。

The problem with these binary classifiers is data imbalance, let's say even if you have the exactly the same number of samples ( n ) per class ( c ), the binary classifier will divide the data into n vs (n-1) x c samples为正负极class。

因此，对于所有分类器，显然负 class 中的数据多于正 class 中的数据。 它们偏向于负 class，因此对于大多数情况，每个二元分类器都倾向于预测（All in oneVsall 场景）。

如果您不想更改设置，那么您可以做的一件事是：

1. 而不是predict ，使用predict_proba来获取每个 class 的概率，并设置一个较低的阈值 (<0.5) 来决定选择哪一组类。

您的测试准确度很低，可能需要重新调整阈值以获得更好的准确度。

2. 如果可能，请使用基于深度学习的方法，例如 Bert，这将提供更好的性能。