为了对文本进行分类，我想使用SVM。我想将测试数据分类到一个标签中（健康/成人）。训练和测试数据都是文本文件。
我使用的是Python的scikit库。在将文本保存到txt文件时，我使用了utf-8编码，这就是为什么我在代码片段中对它们进行解码。以下是我尝试的代码：
String = String.decode('utf-8')String2 = String2.decode('utf-8')bigram_vectorizer = CountVectorizer(ngram_range=(1, 2), token_pattern=r'\b\w+\b', min_df=1)X_2 = bigram_vectorizer.fit_transform(String2).toarray()X_1 = bigram_vectorizer.fit_transform(String).toarray()X_train = np.array([X_1,X_2])print type(X_train)y = np.array([1, 2])clf = SVC()clf.fit(X_train, y)#prepare test dataprint(clf.predict(X))这是我得到的错误信息：
File "/Users/guru/python_projects/implement_LDA/lda/apply.py", line 107, in <module> clf.fit(X_train, y) File "/Users/guru/python_projects/implement_LDA/lda/lib/python2.7/site-packages/sklearn/svm/base.py", line 150, in fit X = check_array(X, accept_sparse='csr', dtype=np.float64, order='C') File "/Users/guru/python_projects/implement_LDA/lda/lib/python2.7/site-packages/sklearn/utils/validation.py", line 373, in check_array array = np.array(array, dtype=dtype, order=order, copy=copy)ValueError: setting an array element with a sequence.当我搜索这个错误时，我找到了一些结果，但它们并没有帮助。我认为我在应用SVM模型时逻辑上是错误的。有人能给我一些提示吗？
回答：
你需要结合你的样本，对它们进行向量化，然后再拟合分类器。像这样：
String = String.decode('utf-8')String2 = String2.decode('utf-8')bigram_vectorizer = CountVectorizer(ngram_range=(1, 2), token_pattern=r'\b\w+\b', min_df=1)X_train = bigram_vectorizer.fit_transform(np.array([String, String2]))print type(X_train)y = np.array([1, 2])clf = SVC()clf.fit(X_train, y)#prepare test dataprint(clf.predict(bigram_vectorizer.transform(np.array([X1, X2, ...]))))但是只有2个样本，数据量非常少，所以你的预测可能不会很准确。
已编辑：
你还可以使用Pipeline将转换和分类结合在一个步骤中完成。
from sklearn.pipeline import Pipelineprint type(X_train) # 在你的情况下应该是一个长度为100的文本列表y_train = ... # 也应该是一个长度为100的列表clf = Pipeline([ ('transformer', CountVectorizer(...)), ('estimator', SVC()),])clf.fit(X_train, y_train)X_test = np.array(["sometext"]) # 测试文本的数组，长度为1print(clf.predict(X_test))