Python 2.7 如何使用sci工具包识别误分类文本文件的ID/名称/标题

我正在为文本分类构建自己的分类器，但目前我正在使用sci kit learn来解决一些问题。我使用NB分类器对一些文本文件进行分类。我使用26个文本文件手动分类为2类，每个文件的编号在01-26之间（即“01.txt”等等）

我的代码和结果：

import sklearn
from sklearn.datasets import load_files
import numpy as np
bunch = load_files('corpus')

split_pcnt = 0.75 
split_size = int(len(bunch.data) * split_pcnt)
X_train = bunch.data[:split_size]
X_test = bunch.data[split_size:]
y_train = bunch.target[:split_size]
y_test = bunch.target[split_size:]

from sklearn.naive_bayes import MultinomialNB
from sklearn.pipeline import Pipeline
from sklearn.feature_extraction.text import TfidfVectorizer, HashingVectorizer, CountVectorizer

clf_1 = Pipeline([('vect', CountVectorizer()),
                      ('clf', MultinomialNB()),
    ])

from sklearn.cross_validation import cross_val_score, KFold
from scipy.stats import sem

def evaluate_cross_validation(clf, X, y, K):
    # create a k-fold croos validation iterator of k=5 folds
    cv = KFold(len(y), K, shuffle=True, random_state=0)
    # by default the score used is the one returned by score >>> method of the estimator (accuracy)
    scores = cross_val_score(clf, X, y, cv=cv)
    print scores
    print ("Mean score: {0:.3f} (+/-{1:.3f})").format(np.mean(scores), sem(scores))

clfs = [clf_1]

for clf in clfs:
    evaluate_cross_validation(clf, bunch.data, bunch.target, 5)

[ 0.5  0.4  0.4  0.4  0.6]
Mean score: 0.460 (+/-0.040)

from sklearn import metrics

def train_and_evaluate(clf, X_train, X_test, y_train, y_test):

    clf.fit(X_train, y_train)

    print "Accuracy on training set:"
    print clf.score(X_train, y_train)
    print "Accuracy on testing set:"
    print clf.score(X_test, y_test)
    y_pred = clf.predict(X_test)

    print "Classification Report:"
    print metrics.classification_report(y_test, y_pred)
    print "Confusion Matrix:"
    print metrics.confusion_matrix(y_test, y_pred)


train_and_evaluate(clf_1, X_train, X_test, y_train, y_test)

Accuracy on training set:
1.0

Accuracy on testing set:
0.714285714286

    Classification Report:
                 precision    recall  f1-score   support

              0       0.67      0.67      0.67         3
              1       0.75      0.75      0.75         4

    avg / total       0.71      0.71      0.71         7

    Confusion Matrix:
    [[2 1]
     [1 3]]

我搞不清楚的是如何识别错误分类文件的ID，以查看哪些文件被错误分类（例如“05.txt”和“23.txt”）。这在sci工具包学习中是可能的吗

最好的

---

guzdeh

假设

加载文件

按字母顺序加载文本文件，您所需要的只是错误分类示例的索引。这可通过以下方式获得：

misclassified = np.where(y_pred != y_test)
print(misclassified)

---

在

训练和评估功能的末尾。因此，如果打印，比如说
[1,3,7]
，文件“01.txt”、“03.txt”和“07.txt”被错误分类。
是的，您必须使用结果的属性
文件名

但是，在示例代码中有两个模型训练和评估周期：一个使用CV，另一个使用简单的训练测试分割

在列车测试拆分中：

test_filenames = bunch.filenames[split_size:]
misclassified = (y_pred != y_test)
print test_filenames[misscalssified]

这个答案并不假设文本文件按字母顺序排列或所有数字都存在。
旁注：您可能应该随机将数据划分为训练集和测试集，而不是基于位置，除非您确定它们是随机编号的。幸运的是，scikit learn对此有自己的见解。嘿，Dave。谢谢你的帮助。Load_files有一个选项，允许您非随机加载文件，但默认参数设置为shuffle。然而，当我测试随机选项时，结果显示文件被洗牌，但总是以相同的方式。算算吧。再次感谢。：）嘿，dukeboy，谢谢你的帮助，也谢谢你指出了这两个模型。我现在把它们分成两种不同的方法。再次感谢。：）