CalibratedClassifierCV训练LinearSVC文本模型报字符串无法转浮点错误如何解决

错误根源 #

scikit-learn 中的分类器仅支持数值型特征输入，你当前直接传入了review字段的原始文本字符串，模型无法自动完成文本到数值的转换，因此触发了类型转换报错。

修复方案 #

需要在模型前增加文本向量化步骤，将原始文本转换为数值特征矩阵，同时建议使用Pipeline串联整个流程，避免训练/预测阶段的特征转换逻辑不一致导致的信息泄露问题。

完整可运行代码 #

from sklearn.svm import LinearSVC
from sklearn.calibration import CalibratedClassifierCV
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.pipeline import Pipeline

# 加载数据集（需保证你已提前读入training、predict_data两个DataFrame）
X_train = training['review']
y_train = training['label']
X_pred = predict_data['review']

# 构建处理流水线：文本向量化 -> 带概率输出的SVC分类器
clf = Pipeline(steps=[
    # Tfidf文本向量化，可根据业务调整停用词、ngram范围等参数
    ('tfidf', TfidfVectorizer(stop_words='english', ngram_range=(1, 2))),
    ('calibrated_svc', CalibratedClassifierCV(
        base_estimator=LinearSVC(),
        method='sigmoid',
        cv=3
    ))
])

# 训练模型
clf.fit(X_train, y_train)

# 预测label为1的概率
predicted_label1_proba = clf.predict_proba(X_pred)[:, 1]

可选优化建议 #

• 若评论存在大量无意义助词，可传入自定义停用词表到TfidfVectorizer的stop_words参数提升特征质量
• 可通过网格搜索调整LinearSVC的正则化系数C、TfidfVectorizer的max_features等参数，提升模型效果
• 若数据集样本量极小，可尝试替换为CountVectorizer做词袋向量化，对比效果差异

内容的提问来源于stack exchange，提问作者SaNa