我有一个自然语言处理任务（文本分类）。我提取了一些二元组，如下所示：
training_data = [[('this', 'is'), ('is', 'a'), ('a', 'text')], [('and', 'one'), ('one', 'more')]]然后我可以使用如下所示的向量化器：
from sklearn.feature_extraction import FeatureHasherfh = FeatureHasher(input_type='string')X = fh.transform(((' '.join(x) for x in sample) for sample in training_data))print X.toarray()[[ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.]]这是如何使用svm算法进行分类的示例：
from sklearn import svms = svm.SVC()lables = [HAM, SPAM] s.fit(training_data, labels)如何在上述二元组（即training_data）中使用标签进行分类？例如：
data = [[('this', 'is'), ('is', 'a'), ('a', 'text'), 'SPAM'], [('and', 'one'), ('one', 'more'), 'HAM']]回答：
在上面的代码中，假设我们有一个名为doc的特征向量，如果你写：
result = s.predict (doc)result应该为’0’或’1’。因此，预测结果是数值的。因此，最好相应地分配标签。然而，如果你仍然想分配一个字符串标签，那么你可以假设例如标签’a’相当于’1’，’b’相当于’0’。我知道与scikit不同，nltk中的标签默认是字符串，但有什么区别吗？
编辑1： 从你的第一次编辑中，我可以看出你可能对特征向量及其标签存在误解。首先，你分配的标签类型不会影响结果，这意味着如果你将一个类别标签标记为垃圾邮件，另一个标记为非垃圾邮件，分类器不会自动检测垃圾邮件和非垃圾邮件；分类取决于你的特征向量，然后为了比较的目的使用一个类别标签。所以如果你说，我会假设在我的代码中0代表垃圾邮件，1代表非垃圾邮件，并且你会相应地标记你的数据，这样做是有效的，足够了。第二个问题是我不确定你是否知道二元特征向量应该是什么样子，因为你表示数据的方式如下所示：
data = [[('this', 'is'), ('is', 'a'), ('a', 'text'), 'SPAM'], [('and', 'one'), ('one', 'more'), 'HAM']] 二元特征向量应该包含数据集中存在的所有可能特征，然后为了表示每个文档，你必须对该文档中存在的每个特征分配1，对其余的分配0。作为一个例子，我将以上示例重写为正确形式：
特征: 'this is' 'is a' 'a text' 'and one' 'one more' 标签文档1: 1 1 1 0 0 垃圾邮件（或如我所解释的0）文档2: 0 0 0 1 1 非垃圾邮件（或如我所解释的1）现在，我们可以将上述文档的特征向量写成以下形式：
data = [([1,1,1,0,0),(0)],[(0,0,0,1,1),(1)]]请注意，第一个文档的标签是0（或垃圾邮件），第二个文档的标签是1（或非垃圾邮件）。我试图做一个非常清晰的例子。使用scikit时，你可能更喜欢使用numpy数组而不是列表。但我的例子是清晰的。阅读这里关于二元组的问题以及我的回答可能会对你有帮助。如果你有进一步的问题，请告诉我，但请尝试思考上面的例子。
编辑2： 万一你想知道如何在你的代码中的labels变量中写入标签：对于每个文档（转换为特征向量表示），你必须有一个相应的标签。在你的代码中，数组X包含特征向量，因此在labels中，你必须有与X中每个特征向量对应的相同位置的标签。因此，假设你有100个文档（50个垃圾邮件或0和50个非垃圾邮件或1），你的标签应该如下所示：
labels = [0,0,0,0,0,0,0,0,...,1,1,1,1,1,1,1,...]但这取决于你如何排序你的数据。一些分类器会接受如上的标签，而一些会接受交错的0和1，例如：
labels = [0,1,0,1,0,1, ...] 在svm.SVC()中你可以使用后者，但是，请确保你的特征向量也是交错的，并且对应正确的标签。
