我开始使用 sklearn.naive_bayes.GaussianNB 进行文本分类，并且获得了很好的初始结果 . 我想使用分类器返回的概率作为置信度的度量，但是 predict_proba() 方法总是返回所选类的"1.0"，并且所有其余类都返回"0.0" .

我知道(来自here)"...the probability outputs from predict_proba are not to be taken too seriously"，但到了那个程度？！分类器可能会误认为金融投资或和弦，但 predict_proba() 输出显示没有犹豫的迹象......

关于上下文：

我一直在使用 sklearn.feature_extraction.text.TfidfVectorizer 进行特征提取，开始时没有用 stop_words 或 min/max_df 来限制词汇量 - >我已经得到了非常大的向量 .

我一直在分层类别树上训练分类器(浅层：深度不超过3层)，每个类别有7个文本(手动分类) . 现在，这是 flat 训练：我没有考虑到等级 .

产生的 GaussianNB 对象非常大(~300MB)，预测相当慢：一个文本大约1秒 .

这有关系吗？这些巨大的载体是这一切的根源吗？

我如何获得有意义的预测？我需要使用不同的分类器吗？

这是我正在使用的代码：

from sklearn.feature_extraction.text import TfidfVectorizer

from sklearn.naive_bayes import GaussianNB

import numpy as np

from sklearn.externals import joblib

Vectorizer = TfidfVectorizer(input = 'content')

vecs = Vectorizer.fit_transform(TextsList) # ~2000 strings

joblib.dump(Vectorizer, 'Vectorizer.pkl')

gnb = GaussianNB()

Y = np.array(TargetList) # ~2000 categories

gnb.fit(vecs.toarray(), Y)

joblib.dump(gnb, 'Classifier.pkl')

...

#In a different function:

Vectorizer = joblib.load('Vectorizer.pkl')

Classifier = joblib.load('Classifier.pkl')

InputList = [Text] # One string

Vec = Vectorizer.transform(InputList)

Probs = Classifier.predict_proba([Vec.toarray()[0]])[0]

MaxProb = max(Probs)

MaxProbIndex = np.where(Probs==MaxProb)[0][0]

Category = Classifier.classes_[MaxProbIndex]

result = (Category, MaxProb)

Update:

按照下面的建议，我尝试了 MultinomialNB ＆ LogisticRegression . 它们都返回了不同的概率，并且在任何方面对我的任务都更好：分类更准确，内存中的对象更小，速度更快( MultinomialNB 闪电般快！) .