আমি পাঠ্য শ্রেণিবিন্যাসে কাজ করছি যেখানে আমার 39 টি বিভাগ / শ্রেণি এবং 8.5 মিলিয়ন রেকর্ড রয়েছে। (ভবিষ্যতে ডেটা এবং বিভাগগুলি বৃদ্ধি পাবে)।
আমার ডেটার গঠন বা ফর্ম্যাটটি নীচে রয়েছে।
----------------------------------------------------------------------------------------
| product_title | Key_value_pairs | taxonomy_id |
----------------------------------------------------------------------------------------
Samsung S7 Edge | Color:black,Display Size:5.5 inch,Internal | 211
Storage:128 GB, RAM:4 GB,Primary Camera:12 MP
Case cover Honor 8 | Color:transparent,Height:15 mm,width:22 mm | 212
Ruggers Men's T-Shirt | Size:L,ideal for:men,fit:regular, | 111
sleeve:half sleeve
Optimum Nutrition Gold | Flavor:chocolate,form:powder,size:34 gm | 311
Standard Whey Protein
ডেটা বিতরণ স্বাভাবিক নয়; এটি অত্যন্ত ভারসাম্যহীন:
-------------------------
| taxonomy_id | count |
-------------------------
111 | 851750
112 | 355592
113 | 379433
114 | 23138
115 | 117735
116 | 145757
117 | 1339471
121 | 394026
122 | 193433
123 | 78299
124 | 111962
131 | 1776
132 | 4425
133 | 908
134 | 23062
141 | 22713
142 | 42073
211 | 7892
212 | 1574744
221 | 1047
222 | 397515
223 | 53009
231 | 1227
232 | 7683
251 | 739
252 | 327
253 | 38974
254 | 25
311 | 2901
321 | 7126
412 | 856
421 | 697802
422 | 414855
423 | 17750
425 | 1240
427 | 658
429 | 1058
431 | 20760
441 | 257
আপনি দেখতে পাচ্ছেন যে এগুলি অত্যন্ত ভারসাম্যহীন এবং ভুল-শ্রেণিবদ্ধকরণের দিকে পরিচালিত করে।
আমি এখনও অবধি অভিনয় করেছি
1) product_title এবং key_value_pairs কলামটি মার্জ করুন এবং স্টপ শব্দ এবং বিশেষ অক্ষর মুছে ফেলুন এবং স্টেমিং সঞ্চালন করুন।
2) আমি টিএফআইডিএফভেেক্টরাইজার (), লিনিয়ারএসভিসি () এর জন্য পাইপলাইন ব্যবহার করেছি
vectorizerPipe = Pipeline([
('tfidf', TfidfVectorizer(lowercase=True, stop_words='english')),
('classification', OneVsRestClassifier(LinearSVC(penalty='l2', loss='hinge'))),
])
এর পরে আমার ফিট পাইপলাইন আছে এবং আমি ক্লাসিফায়ারকে আচারে সংরক্ষণ করি
prd = vectorizerPipe.fit(df.loc[:, 'description'], df.loc[:, 'taxonomy_id'])
পরীক্ষার দিকে আমি উপরে উল্লিখিত হিসাবে ধাপ 1 পুনরাবৃত্তি করেছি এবং তার পরে আচার লোড করুন এবং পূর্বাভাস ফাংশন ব্যবহার করুন
pd = cl.predict([testData])
আমি যে সমস্যার মুখোমুখি হচ্ছি
প্রচুর পণ্যকে অন্য কয়েকটি বিভাগে ভুলভাবে শ্রেণিবদ্ধ করা হচ্ছে
উদাহরণ: চূড়ান্ত পুষ্টি প্রস্টার 100% হুই প্রোটিন 311 বিভাগে শ্রেণিবদ্ধ করা উচিত তবে আমার শ্রেণিবদ্ধ এটি 222 হিসাবে শ্রেণিবদ্ধ করছে যা সম্পূর্ণ ভুল।
আমি টিফিডফেক্টরেক্টর () বা হ্যাশিংভেক্টরাইজার () ব্যবহার করবেন কিনা তা নিশ্চিত নই, আপনি কি তাদের পরামিতিগুলির সাথে এর মধ্যে একটি নির্বাচন করতে আমাকে সহায়তা করতে পারেন?
অ্যালগরিদম আমি ব্যবহার করছি লিনিয়ারএসভিসি, এটি কি প্রচুর পরিমাণে ডেটা সহ বহু শ্রেণির শ্রেণিবিন্যাস সমস্যার জন্য ভাল পছন্দ? নাকি আমার আলাদা অ্যালগোরিদম ব্যবহার করা উচিত?
আমার ডেটা অত্যন্ত ভারসাম্যহীন হওয়ায় আমি এলোমেলোভাবে আন্ডার স্যাম্পলিংয়ের চেষ্টা করেছি। ফলাফলগুলি উন্নত করা হয়েছিল তবে তারা এখনও শীর্ষে ছিল না। এছাড়াও আমি নিশ্চিত নই যে এটি এলোমেলো আন্ডার স্যাম্পলিংয়ের সঠিক পন্থা:
pipe = make_pipeline_imb( HashingVectorizer(lowercase=True), RandomUnderSampler(ratio={111: 405805, 112: 170431, 113: 241709, 114: 8341, 115: 50328, 116: 89445, 117: 650020, 121: 320803, 122: 162557, 123: 66156, 124: 36276, 131: 1196, 132: 3365, 133: 818, 134: 15001, 141: 6145, 142: 31783, 211: 24728, 212: 100000, 221: 791, 222: 8000, 223: 35406, 231: 785, 232: 3000, 251: 477, 252: 127, 253: 29563, 254: 33, 311: 2072, 321: 5370, 412: 652, 421: 520973, 422: 99171, 423: 16786, 425: 730, 427: 198, 429: 1249, 431: 13793, 441: 160},random_state=1), OneVsRestClassifier(LinearSVC(penalty='l2', loss='hinge')))
আমি মেশিন লার্নিংয়ে নতুন তাই আমি এই পদ্ধতির পাঠ্য শ্রেণিবিন্যাসের জন্য ব্যবহার করেছি। যদি আমার পদ্ধতির ভুল হয় তবে দয়া করে আমাকে সঠিকভাবে সংশোধন করুন।
(আপনি উদাহরণগুলির সাথে পরামর্শ বা সমাধান দিলে এটি দুর্দান্ত হবে কারণ এটি আমাকে আরও ভালভাবে বুঝতে সহায়তা করবে)।
*** সম্পাদনা -1 ****
RndmFrst = RandomForestClassifier(n_estimators=100, max_depth=20, max_features=5000,n_jobs=-1)
LogReg = LogisticRegression()
voting = VotingClassifier(estimators=[('LogReg ', LogReg), ('RndmFrst', RndmFrst)], voting='soft', n_jobs=-1)
pipe = Pipeline([('tfidf', TfidfVectorizer(ngram_range=(1,4), max_features=50000)), ('clf', voting)])
pipe = pipe.fit(df.loc[:,'description'], df.loc[:,'taxonomy_id'])
Preds = pipe.predict(test_data)