Python sklearn:调用naive_bayes.MultinomialNB时发现数组的样本数不一致(

我曾研究过类似的问题，例如。但上述解决方案在我的案例中都不起作用

我试图建立一个文本分类预测模型

def train_model(classifier, feature_vector_train, label, feature_vector_valid, is_neural_net=False):
    # fit the training dataset on the classifier
    classifier.fit(feature_vector_train, label)

    # predict the labels on validation dataset
    predictions = classifier.predict(feature_vector_valid)

    if is_neural_net:
        predictions = predictions.argmax(axis=-1)

    return metrics.accuracy_score(predictions, train_label)

# Naive Bayes on Word Level TF IDF Vectors
accuracy = train_model(naive_bayes.MultinomialNB(),train_text,train_label,test_text)

print ("NB, WordLevel TF-IDF: ", accuracy)

但是，Naive_bayes返回以下错误：

ValueError: Found input variables with inconsistent numbers of samples: [500, 3100]

我的训练数据

print(train_text.shape)
type(train_text)

返回

(3100, 3013)
scipy.sparse.csr.csr_matrix

(500, 3013)
scipy.sparse.csr.csr_matrix

我的培训标签

print(train_label.shape)
type(train_label)

返回

(3100,)
numpy.ndarray

我的测试数据集

print(test_text.shape)
type(test_text)

返回

(3100, 3013)
scipy.sparse.csr.csr_matrix

(500, 3013)
scipy.sparse.csr.csr_matrix

---

我尝试了各种可能的转换。有谁能推荐一种解决方案吗？谢谢我想问题出在哪里了

predictions = classifier.predict(feature_vector_valid)
return metrics.accuracy_score(predictions, train_label)

---

预测的形状是什么？

train\u label

是

train\u model

中的一个全局变量吗？

prediction

与

train\u label

具有相同的形状吗？

预测的形状是

（500，）

。是的，这就是问题所在。

train\u label

的形状是

（3100，）

。当

预测和
训练标签
形状不同时，如何计算它们的准确度？你有什么建议？你可以选择
预测=分类器。预测（特征向量训练）
或
度量。准确度评分（预测，有效标签）
如果您有验证集，则有标签。当我用feature\u vector\u train替换feature\u vector\u valid时，它起了作用。但这是正确的方法吗？因为我遵循本指南，这就是我获取代码的地方。我能看到预测的输出吗？谢谢您的帮助。