如何向训练好的多标签SVM分类器输入未知数据？

没问题，我来帮你搞定怎么把未知电影数据集输入到你选定的SVM多标签分类器里。先给你梳理清楚步骤，还要顺便修正你训练代码里的一个小问题，避免后续预测出问题：

第一步：修正你的训练代码（关键！） #

你之前的循环训练代码会每次覆盖SVC_pipeline变量，最后只保留最后一个genre的模型，没法同时预测所有标签。我们可以调整成一次性训练多标签分类器的方式，更高效且易维护：

# 定义多标签SVM Pipeline（把特征提取和模型打包在一起）
multi_label_SVC = Pipeline([
    ('tfidf', TfidfVectorizer(stop_words='english')),
    ('clf', OneVsRestClassifier(LinearSVC(), n_jobs=1)),
])

# 训练模型，目标变量是所有genre列
multi_label_SVC.fit(x_train, train[genres])

# 可选：在测试集上验证每个标签的准确率
test_predictions = multi_label_SVC.predict(x_test)
for idx, genre in enumerate(genres):
    print(f'Genre: {genre}, Test Accuracy: {accuracy_score(test[genre], test_predictions[:, idx])}')

这样训练出来的multi_label_SVC可以直接预测所有标签，不用重复训练多个模型。

第二步：预处理未知数据集 #

未知数据集必须和训练集做完全相同的文本预处理，不然模型会失效。假设你的未知数据集叫unknown_movies.csv，包含title和plot两列：

# 读取未知数据集
unknown_df = pd.read_csv("unknown_movies.csv")
# 重命名列，和训练集保持一致（如果列名不同的话）
unknown_df.rename(columns={'plot':'plot_text'}, inplace=True)
# 应用你之前定义的clean_text函数清洗剧情文本
unknown_df['plot_text'] = unknown_df['plot_text'].map(lambda com : clean_text(com))
# 提取特征列（和训练时一致，只用plot_text）
x_unknown = unknown_df['plot_text']

第三步：用训练好的SVM分类器预测未知数据 #

直接用训练好的multi_label_SVC预测即可，结果会是一个二维数组——每行对应一部电影，每列对应一个genre的预测标签（0表示不属于该类别，1表示属于）：

# 预测未知数据
unknown_predictions = multi_label_SVC.predict(x_unknown)

# 把预测结果转换成DataFrame，方便查看和保存
predictions_df = pd.DataFrame(unknown_predictions, columns=genres)
# 和原未知数据集合并，得到带标签的完整数据
final_result = pd.concat([unknown_df[['title', 'plot_text']], predictions_df], axis=1)

# 查看前5条结果
print(final_result.head())
# 可选：保存标注好的数据到CSV
final_result.to_csv("labeled_movies.csv", index=False)

补充小提示 #

• 训练时用的Pipeline会自动保留训练阶段的TF-IDF词汇表，预测时不用重新拟合，完美避免了「训练/预测预处理不一致」的常见坑。
• 如果你的未知数据集列名和训练集差异较大，一定要先调整成一致的（比如把剧情列统一命名为plot_text）。
• 如果你坚持要保留原来的「每个genre单独训练」方式，建议把每个genre的模型存进字典（比如genre_models = {}），循环训练时genre_models[genre] = SVC_pipeline.fit(...)，预测时再循环调用对应模型合并结果，但显然一次性训练多标签的方式更简洁。

内容的提问来源于stack exchange，提问作者Chat Peters