为了解决Python中的多标签文本分类,我已经尝试了所有可以想到的方法,非常感谢您的帮助。我的结果基于使用multilabelbinarizer的here和此Web page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,该数据集中有7个不同的标签,数据集显示为here。我写了一条消息,每一行都有不同的标签。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,还不错,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)
输出
array([0, 0, 0, 0, 0, 0, 0])
0.2574626865671642
我也尝试过MultiLabelBinarizer,但遇到了同样的问题,我在做什么错?尝试使用MultiLabelBinarizer会产生以下结果:
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
具有以下输出
(),
(),
(),
(),
('Generico',),
(),
(),
(),
(),
('Compra',),
('Motor', 'extras'),
非常感谢您的帮助
我认为您的数据存在问题。可能太稀疏了。
[我看到您使用的是OneVsRestClassifier
,因此它会建立多个二进制分类器来确定标签。
我认为,您的代码中没有直接的错误,但是选择模型并不适合该任务。
这些二进制分类器的问题是数据不平衡,假设即使每个类(n
)的样本数(c
)完全相同,二进制分类器也会将数据分为n
与(n-1) x c
正和负类的样本。
因此,显然,对于所有分类器,否定类别中的数据要比肯定类别中的数据多。它们倾向于否定类,因此每个二进制分类器在大多数情况下都倾向于预测(在allVsall情况下都是如此)。
如果您不想更改设置,那么您可以做的一件事是:
predict
,使用predict_proba
获取每个类别的概率,并设置一个较低的阈值(<0.5)来决定选择哪一组类别。您的测试准确性非常低,可能需要重新调整阈值以获得更好的准确性。