我已经预先清理了数据,下面显示了前4行的格式:
[IN] df.head()
[OUT] Year cleaned
0 1909 acquaint hous receiv follow letter clerk crown...
1 1909 ask secretari state war whether issu statement...
2 1909 i beg present petit sign upward motor car driv...
3 1909 i desir ask secretari state war second lieuten...
4 1909 ask secretari state war whether would introduc...
我已经调用了train_test_split(),如下所示:
[IN] X_train, X_test, y_train, y_test = train_test_split(df['cleaned'], df['Year'], random_state=2)
[Note*] `X_train` and `y_train` are now Pandas.core.series.Series of shape (1785,) and `X_test` and `y_test` are also Pandas.core.series.Series of shape (595,)
然后,我使用以下TfidfVectorizer和fit / transform程序对X训练和测试数据进行了矢量化:
[IN] v = TfidfVectorizer(decode_error='replace', encoding='utf-8', stop_words='english', ngram_range=(1, 1), sublinear_tf=True)
X_train = v.fit_transform(X_train)
X_test = v.transform(X_test)
我现在处于通常应用分类器等的阶段(如果这是一组平衡的数据)。但是,我初始化imblearn的SMOTE()类(执行过采样)......
[IN] smote_pipeline = make_pipeline_imb(SMOTE(), classifier(random_state=42))
smote_model = smote_pipeline.fit(X_train, y_train)
smote_prediction = smote_model.predict(X_test)
......但这会导致:
[OUT] ValueError: "Expected n_neighbors <= n_samples, but n_samples = 5, n_neighbors = 6.
我试图削减n_neighbors的数量,但无济于事,任何提示或建议将不胜感激。谢谢阅读。
------------------------------------------------------------------------------------------------------------------------------------
编辑:
数据集/数据框(df
)包含两列的2380行,如上面的df.head()
所示。 X_train
以字符串列表(df['cleaned']
)的形式包含这些行中的1785行,y_train
还包含1785行(字符串格式(df['Year']
))。
使用TfidfVectorizer()
进行后矢量化:X_train
和X_test
分别从形状'(1785,)'和'(595,)'的pandas.core.series.Series
转换为形状的scipy.sparse.csr.csr_matrix
'(1785,126459)'和'(595,126459)' 。
关于类的数量:使用Counter()
,我计算出有199个类(年),类的每个实例都附加到前面提到的df['cleaned']
数据的一个元素,其中包含从文本语料库中提取的字符串列表。
该过程的目的是基于词汇表现自动确定/猜测输入文本数据的年,十年或世纪(任何程度的分类将会做!)。
由于训练集中大约有200个班级和1800个样本,因此每个班级平均有9个样本。错误消息的原因是:a)数据可能不是完全平衡的,并且存在少于6个样本的类,以及b)邻居的数量是6.针对您的问题的一些解决方案:
n_neighbors
参数小于或等于n_samples。ratio
类的SMOTE
参数排除使用n_samples <n_neighbors对类进行过采样。RandomOverSampler
类。SMOTE
和RandomOversampler
的管道,其满足条件n_neighbors <= n_samples用于屏蔽类,并在条件不满足时使用随机过采样。尝试为SMOTE执行以下代码
oversampler=SMOTE(kind='regular',k_neighbors=2)
这对我有用。