Sklearn的多标签文本分类

Question

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

Answer 1

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：

1. 代替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。

2. [如果可能的话，使用像Bert这样的基于深度学习的方法，它将提供更好的性能。