La prédiction de texte Python sklearn renvoie toujours le même résultat

Question

Au début, j'utilisais MultinomialNB et le code fonctionne très bien pour prédire le nouveau texte. Mais quand je l'ai changé en SVC, il renvoie toujours array (1), ce qui signifie «pas de technologie», même si je prédisais «les ordinateurs sont cool». Après avoir regardé autour de lui apparemment, il renvoie la «politique» à chaque fois. Il n'y a pas de problème avec MultinomialNB utilisant le même code. Qu'est-ce que j'ai fait de mal?

Notez que les données d'apprentissage sont des fichiers séparés par des tabulations avec le titre et la catégorie des actualités, quelque chose comme.

Title         Category 
The new President of United States  politics 

Voici le code:

path="c:/newstrainingutf8.txt" 
import pandas as pd 
from sklearn.model_selection import train_test_split 
from sklearn.feature_extraction.text import CountVectorizer 
from sklearn import svm 
from sklearn import metrics 

news=pd.read_table(path, header=0, names=['category', 'title'], encoding='utf-8') 

news['category_num']=news.category.map({'business':1,'entertainment':1,'health':1,'politics':1,'science':1, 'technology':0, 'world':1}) 
X=news.title 
y=news.category_num 
X_train, X_test, y_train, y_test=train_test_split(X,y,random_state=1) 
vect=CountVectorizer() 
vect.fit(X_train.values.astype('U')) 
X_train_dtm = vect.transform(X_train.values.astype('U')) 
X_train_dtm=vect.fit_transform(X_train.values.astype('U')) 
X_test_dtm=vect.transform(X_test.values.astype('U')) 
svm = svm.SVC() 
svm.fit(X_train_dtm, y_train) 
y_pred_class=svm.predict(X_test_dtm) 
metrics.accuracy_score(y_test, y_pred_class) 

svm.predict(vect.transform(['computers are cool'])) 

newinput="f:/newinput.txt" 
newoutput="f:/newoutput.txt" 
input=pd.read_table(newinput, header=0, names=['cat','title','link'], encoding='utf-8') 
input.cat=svm.predict(vect.transform(input.title)) 
input.to_csv(newoutput, sep='\t', header=None, index=None, mode='a', encoding='utf-8') 

Answer 1

J'ai trouvé la solution est tout simplement utiliser LinearSVC à la place, puisque SVC apparemment seulement comparer un vs une catégorie, alors que LinearSVC comparer un vs le reste.