テキストを行列化し、分類させたい

Question

###前提・実現したいこと
以下の自然言語データ(仕事内容、職種分類)をjanomeで形態素解析し、
CountVectorizerで行列化し、sklearn.naive_bayes(MultinomialNB)で学習させ、
仕事内容から職種分類を予測したいです。
(できれば、対象データを分けての検証も行いたいです)

【CSV(Book.csv)】 ※参考例
sigotonaiyo,syokusyu
オフィスの掃除を担当します,清掃スタッフ
コールセンターでのアポインター,コールセンタースタッフ
機械部品の組み立て,工場内スタッフ
居酒屋で注文を取ったり、配膳もします,居酒屋ホール

###発生している問題・エラーメッセージ
すみません、素人で色々WEBで調べたのですが、いきずまってしまい。。
形態素解析まではできたのですが、その後の行列化、学習で困っています。。
皆さんに教えていただければ幸いです。どうぞよろしくお願いします。

###該当のソースコード
python3.6

# -*- coding: utf-8 -*-
import csv
from janome.tokenizer import Tokenizer

import numpy as np
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer

t = Tokenizer()
with open('Book.csv') as f:
    reader = csv.reader(f)
    next(reader)
    for columns in reader:
        for i in t.tokenize(columns[0]):
            print(i)

CountVect = CountVectorizer(min_df=1)
X_count = CountVect.fit_transform(???)

X = data[:, :-1]
y = data[:, -1]

clr = NaiveBayes1()
clr.fit(X, y)

Answer 1

fit_transformに形態素解析済の仕事内容を食わせたいので、まずはtokenizerの結果を配列化する必要があります。この際注意なのは、形態素化した1行1行をスペース区切りで食わせるということです
例えば

オフィスの掃除を担当します
コールセンターでのアポインター

であれば下記のように変換します

documents = [
  'オフィス の 掃除 を 担当 します',
  'コールセンター での アポインター',
]

ということで主にTokenizerの部分を以下のように変更します

documents = []   # 形態素用の配列を用意
t = Tokenizer()
y = []           # クラスラベル用の配列を用意
with open('./Book.csv') as f:
    reader = csv.reader(f)
    next(reader) # headerを無視
    for columns in reader:
        y.append(columns[1]) # 職種をクラスラベルとしてまとめる
        document = [] # 1行分の仮の配列を用意
        for token in t.tokenize(columns[0]):
            # print(token.surface)
            document.append(token.surface) # 仮の配列に形態素を追加
            
        documents.append(' '.join(document)) # 1行の形態素配列をスペース区切りの文字列に変換してdocuments配列に入れる

# print(y)
# print(documents)

CountVect = CountVectorizer(min_df=1)
X = CountVect.fit_transform(documents)

clr = MultinomialNB()
clr.fit(X, y)

最後のMultinomialNBの学習で怒られてしまう場合は、sklearnのLabelEncoder等でyを日本語から数値に変換してやってみたりしてください（参考）

すべてうまくいった場合は、CountVectorizerをTfIdfVectorizerに変えてみたり、形態素を名詞や動詞だけにしてみたりして精度を変わるか挑戦してみてください！

Comments

[Ya.Tatsuro]

こんなに早く回答頂けてありがとうございます‼
形態素化し配列化するには、配列を用意するんですね。あと1行1行をスペース区切りを入れることも、勉強になります。職種は数値にしたら、無事処理出来ました。ありがとうございました。
テストデータを用意して、学習モデルを検証したいのですが、参考サイトなどがありましたら、教えて頂けると幸いです。どうぞ、よろしくお願いします。

[chck]

上手くいったようでよかったです！
sklearnのtrain_test_split という関数で学習データとテストデータを分けることができます。分けた変数名は慣習的に_train, _valのようなsuffixが付くことが多いです。
学習モデルの検証が上手くいって余裕があれば、cross validationやgrid searchにも挑戦してみてください

以下のサイトが参考になると思います。応援しています！
http://universityofbigdata.net/competition/tutorial/5681717746597888

[Ya.Tatsuro]

サイトありがとうございます‼
テストデータを分けて、検証したところ、予測精度が65％でした。これから精度向上で、データを増やす、前処理をちゃんとやりたいです。あと、教えていただいた、cross validationやgrid searchにも挑戦します。回答頂き、大変ありがとうございました。