Python 3.x Python3文本标签

我不知道从哪里开始回答这个问题，因为我现在学习神经网络。我有一个很大的数据库，里面有句子>标签对。例如：

i want take a photo < photo
i go to take a photo < photo
i go to use my camera < photo
i go to eat something < eat
i like my food < eat

我想拍张照片

如果用户写了一个新句子，我想检查所有标签的准确性分数：

“我用完相机就上床睡觉” 那么问题是，我从哪里开始呢？Tensorflow和scikit learn看起来不错，但该文档分类并未显示准确性：\

import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.preprocessing import LabelEncoder
from sklearn import metrics

sentences = ["i want take a photo", "i go to take a photo", "i go to use my camera", "i go to eat something", "i like my food"]

labels = ["photo", "photo", "photo", "eat", "eat"]

tfv = TfidfVectorizer()

# Fit TFIDF
tfv.fit(traindata)
X =  tfv.transform(traindata) 

lbl = LabelEncoder()
y = lbl.fit_transform(labels)

xtrain, xtest, ytrain, ytest = cross_validation.train_test_split(X, y, stratify=y, random_state=42)

clf = LogisitcRegression()
clf.fit(xtrain, ytrain)
predictions = clf.predict(xtest)

print "Accuracy Score = ", metrics.accuracy_score(ytest, predictions)

有关新数据：

new_sentence = ["this is a new sentence"]
X_Test = tfv.transform(new_sentence)
print clf.predict_proba(X_Test)

---

? 好的，但是我怎么能在所有标签上检查一个新的随机句子呢？Thx很多，但我的最后一个问题：这是有效的，但是如果我搜索一个现有的句子，例如：“我去吃东西”，它的答案是：0.55 0.44，但为什么？这是eat类别的列车数据：\n第一个数字不是照片，第二个是eat类别？或者如果没有，我能得到什么数字是什么类别吗？LabelEncoder标记0和N-1之间的目标。N是目标数。在您的例子中，您可以通过使用lbl.reverse_transform（[0，1]）获得真实的标签。0=吃饭，1=拍照。如果答案有帮助，请将其标记为已接受。