Discussion :

[v4ss73r]

Bonjour,
Pour commencer mes données sont de cette structure :

var_char	pred
bonjour à tous	1

Je dois prédire la colonne pred grâce à ma colonne var_char.
J'ai donc décomposé ma colonne var_char avec la méthode TF_IDF ce qui me donne :

boujour	à	tous	pred
poids_bonjour	poids_à	poids_tous	1

J'ai donc créer un modèle de classification avec un Random Forest de la librairie(RandomForest) :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
fit<- randomForest(pred~ ., data = data, ntree = ntree)

Jusque là tout va bien !!

Le but d'avoir un modèle serait de prédire pour de nouvelles entrées la colonne pred donc voici ma nouvelle donnée :

var_char

à tous

ce qui me donne après la décomposition avec la méthode TF-IDF :

à	tous
poids_à	poids_tous

Et nous voici enfin à mon problème...

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
predictions <- predict(fit, newdata = newdata)

ce qui me laisse bien évidemment un message d'erreur qui sera

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
Error in eval(predvars, data, env) : object 'bonjour' not found

Je voudrais savoir si vous avez une idée afin de pouvoir donner à ma nouvelle donnée une colonne 'bonjour' avec comme poids 0 sachant qu'elle n'apparait pas dans la colonne var_char.
Et aussi inversement c'est à dire si j'ai des données en plus dans les nouvelles que je n'avais pas dans le modèle d'entrainement.

Bonne journée.

[dev_ggy]

La méthodologie de la matrice TF-IDF consiste en la création d'une matrice document et terme avec comme valeurs la fréquence.

Normalement l'ensemble des termes y sont définis pour que celle-ci soit exhaustive.

Pour cela tu dois construire ta matrice avant de faire ta modélisation.

Si ce Tutorial peut t'aider.

[v4ss73r]

Ah mais oui c'est parfait il y a juste besoin de faire une liste de contrôle où je vais supprimer toutes les mots du nouveaux corpus qui ne sont pas dans le corpus de mon jeux d'apprentissage.
Merci pour ton aide !

Mano