質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.35%

  • Python

    9122questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • 機械学習

    758questions

    機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

  • Twitter

    697questions

    Twitterは、140文字以内の「ツイート」と呼ばれる短文を投稿できるサービスです。Twitter上のほぼ全ての機能に対応するAPIが存在し、その関連サービスが多く公開されています。

  • 自然言語処理

    137questions

    自然言語処理は、日常的に使用される自然言語をコンピューターに処理させる技術やソフトウェアの総称です。

Pythonにおける機械学習プログラムにおけるエラーについて

受付中

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 300

lalalabit

score 1

前提・実現したいこと

当方python初心者です。pythonを用いてTwitterのプロフィール文から2クラス分類をする識別機を作成したいと考えています。現在教師データとラベルをライブラリに引き渡して機械学習をさせようとしている段階なのですが、エラーが発生しており困っています。詳しい方どうかお力添えお願い致します。

発生している問題・エラーメッセージ

ValueError: Found input variables with inconsistent numbers of samples: [12241,600]

該当のソースコード

#TwitterIDからプロフィール文を取得、形態素解析
for num in range(2):
    if num == 1:
        sheet = sheet_2
    for row in range(sheet.nrows):
        val = sheet.cell(row,col).value
        i = i+1
        print (val)
        params = {
            "screen_name": val
        }
        responce = oath.get(url,params = params)    
        tweet = json.loads(responce.text)
        user_description = tweet['description']
        print("users_desc:",user_description)
        tokens = l.tokenize(user_description)
        #形態素解析及び名詞抽出
        for token in tokens:
            partOfSpeech = token.part_of_speech.split(',')[0]
            if partOfSpeech == u'名詞':
                each_words.append(token.surface)
        words.append(each_words)
        each_words = []
        #ラベルを記述したリストを作成
        if num == 1:
            label.append(0)
        else:
            label.append(1)

#名詞群をリスト化
for row in range(len(words)):
    for j in range(len(words[row])):
        print(words[row][j])
        list.append(words[row][j])

#countvectorに変換
count_vectorizer = CountVectorizer()
feature_vectors = count_vectorizer.fit_transform(list)
print("word数:" + str(len(feature_vectors.toarray()[0])))

vocabrary = count_vectorizer.get_feature_names()
print (count_vectorizer.get_feature_names)
print(feature_vectors.toarray())

clf.fit(feature_vectors.toarray(),label)

本質に関わらない部分は除外したコードです

試したこと

そもそもネットで拾い読みしたものを試しているようなものなのでどう対応したらいいのか分からないというのが正直なところです。
ちなみに print(feature_vectors.toarray()) の部分では
[[ 0 0 0 ... 0 0 0]
[ 0 0 0 ... 0 0 0]
[ 0 0 0 ... 0 0 0]
[ 0 0 0 ... 0 0 0]]  
のように各単語の出現頻度を表す多次元配列が見て取れます。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

0

clf.fit(feature_vectors.toarray(),label)でエラーが起きていますか?

print(feature_vectors.toarray().shape)

print(len(label))
の出力はどのようになっていますか?
数が合わないとエラーが出ています。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2017/12/13 17:31

    返信ありがとうございます
    print(feature_vectors.toarray().shape)は(12241,3790)
    print(len(label))は600と出ました
    明らかに値が違いますよね・・・

    キャンセル

  • 2017/12/13 17:50

    そうですね。

    まず、問題と直結するところでは、
    for token in tokens:
    partOfSpeech = token.part_of_speech.split(',')[0]
    if partOfSpeech == u'名詞':
    each_words.append(token.surface)
    words.append(each_words)
    each_words = []
    のあたりに入れ子構造が正しくないと感じます。次の指摘にも通ずるところですが、どう正しくないのかはこの書き方からは知り得ません。
    多分ラベルが600個あるのが正しくて、単語を分解する時にリストを1つ囲み忘れた結果、中身が展開されてしまったものと考えます。

    次に、質問の形式についてですが、
    コードをインデント付きで貼り付けないとPythonは基本的に読めないので、憶測がいろいろと入って問題が解決しにくくなってしまいます。

    最後に、コーディング時の癖などについてですが、
    listという名前の変数はPythonでは避けるべきです。
    それに加えて、空のリストを最初のどこかに宣言している雰囲気を感じますが、バグの温床になるので避けたほうがいろいろとトラブルを回避できる気がします。

    キャンセル

  • 2017/12/14 11:47

    返信遅くなり申し訳ありません。ご指摘ありがとうございます。

    御推察の通り、ラベルの600個が正しいので文字列リストの中身がおかしいですね。
    形態素解析の入れ子構造を見直してみようと思います。

    おっしゃる通りです・・・。
    すぐに修正致します。

    了解しました。listは新たな変数名に変更します。
    おっしゃる通り、プログラムの初期に空のリストを宣言しています。
    バグの元になるとは知りませんでした。すぐに修正致します。

    初心者の汚いコードに的確で親切なアドバイス本当にありがとうございます。

    キャンセル

同じタグがついた質問を見る

  • Python

    9122questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • 機械学習

    758questions

    機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

  • Twitter

    697questions

    Twitterは、140文字以内の「ツイート」と呼ばれる短文を投稿できるサービスです。Twitter上のほぼ全ての機能に対応するAPIが存在し、その関連サービスが多く公開されています。

  • 自然言語処理

    137questions

    自然言語処理は、日常的に使用される自然言語をコンピューターに処理させる技術やソフトウェアの総称です。