Python 评分系统-输入特征

我正在做一个评分系统（毕业设计）。我对数据进行了预处理，然后对数据使用TfidfVectorizer，并使用LinearSVC拟合模型

该系统如下，它有265个定义，任意长度；但总的来说，它们的形状是（2658581） 所以当我尝试输入一些新的随机句子来预测它时，我得到了这个信息

如果愿意，您可以查看所使用的代码（完整和长代码）

使用的代码

def normalize(df):
    lst = []
    for x in range(len(df)):
        text = re.sub(r"[,.'!?]",'', df[x])
        lst.append(text)
    filtered_sentence = ' '.join(lst)
    return filtered_sentence


def stopWordRemove(df):
    stop = stopwords.words("english")
    needed_words = []
    for x in range(len(df)):

        words = word_tokenize(df)
        for word in words:
            if word not in stop:
                needed_words.append(word)
    return needed_words


def prepareDataSets(df):
    sentences = []
    for index, d in df.iterrows():
        Definitions = stopWordRemove(d['Definitions'].lower())
        Definitions_normalized = normalize(Definitions)
        if d['Results'] == 'F':
            sentences.append([Definitions, 'false'])
        else:
            sentences.append([Definitions, 'true'])
    df_sentences = DataFrame(sentences, columns=['Definitions', 'Results'])
    for x in range(len(df_sentences)):
        df_sentences['Definitions'][x] = ' '.join(df_sentences['Definitions'][x])
    return df_sentences

def featureExtraction(data):
    vectorizer = TfidfVectorizer(min_df=10, max_df=0.75, ngram_range=(1,3))
    tfidf_data = vectorizer.fit_transform(data)
    return tfidf_data

def learning(clf, X, Y):
    X_train, X_test,  Y_train, Y_test = \
    cross_validation.train_test_split(X,Y, test_size=.2,random_state=43)
    classifier = clf()
    classifier.fit(X_train, Y_train)
    predict = cross_validation.cross_val_predict(classifier, X_test, Y_test, cv=5)
    scores = cross_validation.cross_val_score(classifier, X_test, Y_test, cv=5)
    print(scores)
    print ("Accuracy of %s: %0.2f(+/- %0.2f)" % (classifier, scores.mean(), scores.std() *2))
    print (classification_report(Y_test, predict))

然后我运行这些脚本：之后我得到了提到的错误

test = LinearSVC()
data, target = preprocessed_df['Definitions'], preprocessed_df['Results']
tfidf_data = featureExtraction(data)
X_train, X_test,  Y_train, Y_test = \
cross_validation.train_test_split(tfidf_data,target, test_size=.2,random_state=43)
test.fit(tfidf_data, target)
predict = cross_validation.cross_val_predict(test, X_test, Y_test, cv=10)
scores = cross_validation.cross_val_score(test, X_test, Y_test, cv=10)
print(scores)
print ("Accuracy of %s: %0.2f(+/- %0.2f)" % (test, scores.mean(), scores.std() *2))
print (classification_report(Y_test, predict))
Xnew = ["machine learning is playing games in home"]
tvect = TfidfVectorizer(min_df=1, max_df=1.0, ngram_range=(1,3))
X_test= tvect.fit_transform(Xnew)
ynew = test.predict(X_test)

---

您从未在测试时调用

fit\u transform（）

，只调用

transform（）

，并使用与训练数据相同的矢量器

这样做：

def featureExtraction(data):
    vectorizer = TfidfVectorizer(min_df=10, max_df=0.75, ngram_range=(1,3))
    tfidf_data = vectorizer.fit_transform(data)

    # Here I am returning the vectorizer as well, which was used to generate the training data
    return vectorizer, tfidf_data
...
...
tfidf_vectorizer, tfidf_data = featureExtraction(data)
...
...

# Now using the same vectorizer on test data
X_test= tfidf_vectorizer.transform(Xnew)
...

在您的代码中，您正在使用一个新的TFIDFvectorier，它显然不知道训练数据，也不知道训练数据具有8581个特性

测试数据的准备方式应始终与列车数据的准备方式相同。否则，即使您没有得到错误，结果也是错误的，并且模型在实际场景中也不会像这样执行

请参阅我的其他答案，解释不同特征预处理技术的类似情况：

---

我会将这个问题标记为其中一个问题的副本，但是看到您正在使用一个新的矢量器，并且有一种不同的方法来转换列车数据，我回答了这个问题。从下次开始，请先搜索问题并尝试了解类似情况下发生的情况，然后再发布问题。

是否可以粘贴完整的错误消息？查找问题会变得更容易一些。谢谢@谢谢你的回复，我已经编辑了这个问题，添加了错误信息的截图。请看一看！请不要在文本中使用截图。把它格式化为代码。你真的有很多代码让我读。哈哈。但据我所知，你的问题来自这里：

vectorizer=TfidfVectorizer（最小值df=1，最大值df=1.0，ngram\u范围=（1,3））

。从文档中可以看出，这导致单词数量减少到了18个。使用

TfidfTransformer

会更好吗？（顺便说一句，我不知道解决方案，但我正在阅读文档，看看潜在的错误是从哪里产生的）