我正在尝试使用SGDClassifier对短语进行分类，遵循这个教程

我的管道看起来是这样的：

p_clf = Pipeline([('vect', CountVectorizer(analyzer='word', ngram_range=(1, 2),                                  token_pattern=r'\b\w+\b', min_df=1)),                  ('tfidf', TfidfTransformer()),                  ('clf', SGDClassifier(loss='log', penalty='l2',                                        alpha=1e-3, n_iter=5, random_state=42)), ])

尽管我得到了正确的分类结果，但我不知道为什么它把字母而不是整个单词作为特征。在这个例子中，当我调用predict_proba('Hello')时，我得到的是：

[[ 0.15889614  0.23752053  0.4353584   0.16822494] [ 0.15889614  0.23752053  0.4353584   0.16822494] [ 0.15889614  0.23752053  0.4353584   0.16822494] [ 0.15889614  0.23752053  0.4353584   0.16822494] [ 0.11579265  0.19786962  0.36811551  0.31822223]]

其中每一行代表一个字母，列代表我的类别。难道不应该只有一行吗？

回答：

在你的例子中，'Hello'被解释为一个字符数组，如['H','e','l','l','o']。（请记住，predict_proba期望输入的是一个数组或稀疏矩阵。）这个问题可以通过将字符串放入列表中来解决：

predict_proba(['Hello'])