我正在研究文本分类，其中有 39 个类别/类和 850 万条记录。（在未来的数据和类别将增加）。
我的数据的结构或格式如下。
----------------------------------------------------------------------------------------
| 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
数据分布不正常；它是高度不平衡的：
-------------------------
| 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
如您所见，它们高度不平衡并导致错误分类。
到目前为止我已经执行的步骤
1）合并product_title和key_value_pairs列，去除停用词和特殊字符，进行词干提取。
2) 我使用了 TFIDFvectorizer()、LinearSVC() 的管道
vectorizerPipe = Pipeline([
('tfidf', TfidfVectorizer(lowercase=True, stop_words='english')),
('classification', OneVsRestClassifier(LinearSVC(penalty='l2', loss='hinge'))),
])
在此之后，我安装了管道并将分类器存储在 pickle 中
prd = vectorizerPipe.fit(df.loc[:, 'description'], df.loc[:, 'taxonomy_id'])
在测试方面，我重复了上面提到的第 1 步，然后加载泡菜并使用预测功能
pd = cl.predict([testData])
我面临的问题
许多产品被错误分类为其他类别
示例：Ultimate Nutrition Prostar 100% 乳清蛋白应归入类别 311，但我的分类器将其归类为 222，这是完全错误的。
我不确定是使用 TFidfVectorizer() 还是 Hashingvectorizer()，你们能帮我选择其中一个及其参数吗？
我使用的算法是LinearSVC，对于数据量大的多类分类问题，它是一个不错的选择吗？或者我应该使用不同的算法？
由于我的数据高度不平衡，我尝试了随机欠采样。结果有所改善，但仍达不到标准。另外我不确定这是否是执行随机欠采样的正确方法：
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')))我是机器学习的新手，所以我使用这种方法进行文本分类。如果我的方法是错误的，请用正确的方法纠正我。
（如果您提供建议或解决方案并附有示例，那就太好了，因为它可以帮助我更好地理解）。
***编辑-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)