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

91.27%

  • Python 3.x

    2734questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

  • 機械学習

    310questions

    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。

Pythonの機械学習において特定の文字数以下のデータの属するクラスを確定させるプログラム

受付中

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 60

lalalabit

score 1

前提・実現したいこと

Twitterのプロフィール文を読み込んでクラス判定をする識別機を機械学習を用いて実現させようとしています。使用言語はPythonです。
識別機を作成しそこそこの識別率は出すことが出来ますが識別率を向上させるためにプロフィール文の文字数が特定の値以下だった場合クラスAに属すると断定するといった形のプログラムに書き換えたいと思っています。

発生している問題・エラーメッセージ

sklearnライブラリによって作成された識別機に新たな機能を追加するということが出来るのかが分からず、行き詰っています。
詳しい方に知恵を貸して頂きたいです。

該当のソースコード

from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import BernoulliNB
import pandas as pd

#データをcsvファイルから取得
original_df = pd.read_csv('data.csv',encoding='cp932')

original_df['v1'].value_counts()

#文字列データ(X)とラベルデータ(Y)を格納
X = pd.DataFrame(original_df['v2'])
y = original_df['v1'] 

#学習用とテスト用に分割
X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.5)

#CountVectorizer宣言(出現頻度3度以下の単語は除外)
vectorizer = CountVectorizer(min_df=3)
vectorizer.fit(X_train['v2'])

#文字数、学習に用いる単語を表示
print('Vocabulary size: {}'.format(len(vectorizer.vocabulary_)))
print('Vocabulary content: {}'.format(vectorizer.vocabulary_))

#特徴ベクトル化
X_train_bow = vectorizer.transform(X_train['v2'])
X_test_bow = vectorizer.transform(X_test['v2'])

print('X_train_bow:\n{}'.format(repr(X_train_bow)))
print('X_test_bow:\n{}'.format(repr(X_test_bow)))

#学習
model = BernoulliNB()
model.fit(X_train_bow, y_train)

#正答率表示
print('Train accuracy: {:.3f}'.format(model.score(X_train_bow, y_train)))
print('Test accuracy: {:.3f}'.format(model.score(X_test_bow, y_test)))
  • 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

確定させるだけなら、

文字数をカウントして先に取り除けばよいのですが。
http://sinhrks.hatenablog.com/entry/2014/12/06/233032
https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.str.len.html

それとも学習のときは使いたいけど、判定するときだけ決まった答えを出してほしいのですか?

X = pd.DataFrame(original_df['v2'])
y = original_df['v1'] 

nums = X.str.len()
min_len = 5
mask = nums < min_len
X_short = X[mask]
y_short = y[mask]

X = X[~(mask)]
y = y[~(mask)]

class Predictor:
    def __init__(self, model):
        self.model = model
    def predict(self, X):
        # 処理
        py = self.model.predict(X)
        py['短い文のインデックス'] = '短い文のクラス'
        return py

投稿

編集

  • 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。

  • 2017/12/21 11:34

    解答ありがとうございます。
    学習では使いたいけど、判定では決まった答えを出して欲しいです。
    識別機に機能を追加するようなイメージなのですが難しいでしょうか・・・

    キャンセル

  • 2017/12/21 11:42

    学習時のモデルを要素に持つような判別クラスを作るのが一番早いです。
    識別器のクラスを継承して、識別時のメソッドを新たに作ってもよいのですが、汎用性が落ちる気がします。

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

ただいまの回答率

91.27%

関連した質問

同じタグがついた質問を見る

  • Python 3.x

    2734questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

  • 機械学習

    310questions

    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。