我试图确定新闻标题是真实的还是假的。
为此,我使用'CountVectorizer'来计算每个单词在每个句子中的使用次数。
问题是句子中的单词数量不相同,因此训练集和测试集的列数不相同。
因此,程序在测试阶段不起作用。
# Vectorized All Data
from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(sentenceInput)
result = pd.DataFrame(data = X.toarray())
因此,'result'变量是依赖数据。
# Naive Bayes Prediction
from sklearn.naive_bayes import GaussianNB
nb = GaussianNB()
nb.fit(result,targetInput)
我通过目标变量向系统讲授数据。
问题在此之后开始。
# Test Data
X = vectorizer.fit_transform(testList)
print(vectorizer.get_feature_names())
print(X.toarray())
testResult = pd.DataFrame(data = X.toarray())
prediction = nb.predict(testResult)
print(prediction)
当我想在屏幕上打印“预测”时,我收到以下错误。
ValueError: operands could not be broadcast together with shapes (489,1828)
(5273,)
我不确定问题是否正是我所说的。
CountVectorizer
实际上并不关心每个句子中有多少单词,它的输出是稀疏矩阵,其中列是单词,行是句子,其中值是单词出现在给定句子中的次数,即卷心菜出现3次,包出现0次等
为了使您的数据匹配,您需要使用相同的CountVectorizer
而不是重新安装,这是您的测试阶段当前发生的事情(使用.fit_transform()
)
将您的测试更改为transform
,这部分问题应该消失。这将使用您在所有数据上训练的CountVectorizer,并以您用于创建模型的形式输出值。
# Test Data
X = vectorizer.transform(testList)