Jak połączyłbyś naukę o scikitsklasyfikator który działa na worku ze słowami, które działają na dowolnych polach numerycznych?

Wiem, że są to te same rzeczy za kulisami, ale mam problem z ustaleniem, jak to zrobić za pomocą istniejących metod bibliotecznych. Na przykład mój klasyfikator work-of-words używa potoku:

classifier = Pipeline([
    ('vectorizer', HashingVectorizer(ngram_range=(1,4), non_negative=True)),
    ('tfidf', TfidfTransformer()),
    ('clf', OneVsRestClassifier(LinearSVC())),
])
classifier.fit(['some random text','some other text', ...], [CLS_A, CLS_B, ...])

Podczas gdy moje inne użycie jest jak:

classifier = LinearSVC()
classifier.fit([1.23, 4.23, ...], [CLS_A, CLS_B, ...])

Jak skonstruowałbym klasyfikator LinearSVC, który mógłby być szkolony przy użyciu obu zbiorów danych jednocześnie? na przykład

classifier = ?
classifier.fit([('some random text',1.23),('some other text',4.23), ...], [CLS_A, CLS_B, ...])