Python 从Scikit Learn中保存的训练分类器进行预测

我用Python为Tweets编写了一个分类器，然后将其保存在磁盘上的

.pkl

格式中，这样我就可以一次又一次地运行它，而无需每次对它进行训练。代码如下：

import pandas
import re
from sklearn.feature_extraction import FeatureHasher

from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2

from sklearn import cross_validation

from sklearn.externals import joblib


#read the dataset of tweets

header_row=['sentiment','tweetid','date','query', 'user', 'text']
train = pandas.read_csv("training.data.csv",names=header_row)

#keep only the right columns

train = train[["sentiment","text"]]

#remove puctuation, special characters, numbers and lower case the text

def remove_spch(text):

    return re.sub("[^a-z]", ' ', text.lower())

train['text'] = train['text'].apply(remove_spch)


#Feature Hashing

def tokens(doc):
    """Extract tokens from doc.

    This uses a simple regex to break strings into tokens.
    """
    return (tok.lower() for tok in re.findall(r"\w+", doc))

n_features = 2**18
hasher = FeatureHasher(n_features=n_features, input_type="string", non_negative=True)
X = hasher.transform(tokens(d) for d in train['text'])

y = train['sentiment']

X_new = SelectKBest(chi2, k=20000).fit_transform(X, y)

a_train, a_test, b_train, b_test = cross_validation.train_test_split(X_new, y, test_size=0.2, random_state=42)

from sklearn.ensemble import RandomForestClassifier 

classifier=RandomForestClassifier(n_estimators=10)                  
classifier.fit(a_train.toarray(), b_train)                            
prediction = classifier.predict(a_test.toarray()) 

#Export the trained model to load it in another project

joblib.dump(classifier, 'my_model.pkl', compress=9)

假设我有另一个Python文件，我想对Tweet进行分类。如何进行分类

from sklearn.externals import joblib
model_clone = joblib.load('my_model.pkl')

mytweet = 'Uh wow:@medium is doing a crowdsourced data-driven investigation tracking down a disappeared refugee boat'

---

直到

hasher.transform

我可以复制相同的过程，将其添加到预测模型中，但我有一个问题，即我无法计算出最佳的20k特征。要使用SelectKBest，您需要同时添加功能和标签。因为我想预测标签，所以不能使用SelectKBest。那么，我怎样才能通过这个问题继续预测呢？

我支持@EdChum的评论，即

您可以通过在数据上对模型进行训练来构建模型，这些数据可能具有足够的代表性，使其能够处理看不见的数据

实际上，这意味着您只需使用

predict

将

FeatureHasher

和

SelectKBest

应用于新数据。（在新数据上重新训练FeatureHasher是错误的，因为通常它会产生不同的特性）

也可以这样做

• pickle

  FeatureHasher

  和

  分别选择kbest

或（更好）

• 制作FeatureHasher的

  管道

  ，选择kBest和

  RandomForestClassifier

  并对整个管道进行pickle。然后，您可以加载此管道并对新数据使用

  predict

  ---

对不起，您是否确实尝试过将tweet加载到一个数组中，并将其传递给您的

模型克隆

，然后调用

预测

？我是否应该从相同的准备过程中传递文本，然后尝试预测？如果我只是在列表中传递文本，然后传递给分类器，我有一个错误：

ValueError:无法将字符串转换为float:Uh-wow:@medium正在进行一项众包数据驱动的调查，追踪一艘失踪的难民船

正确您需要执行与培训时相同的特征提取，并将其作为data@EdChum这是我的问题。在前面的特征提取中，我有一个大的数据集用于训练。这是一个标签，我使用文本和标签来查找特征。当我只有一条tweet或者一个包含10条tweet但没有标签的列表时，我应该如何再次这样做，因为我正在尝试预测它？如果您能提供具体细节作为回答，我将不胜感激：）对不起，问题是您使用您的模型来预测标签是什么，它是否正确是您需要决定的。关键是，您可以通过在数据上对模型进行训练来构建模型，这些数据可能足够具有代表性，可以处理看不见的有效数据表，但不幸的是，我以前没有创建

管道。你能提供我的例子中的程序吗？Scikit learn有一个很好的例子，关于它们，有没有一种方法可以通过管道传递分类器标签？