Scikit-Learn Vectorizer`max_features`

Question

如何选择模块中max_features参数的编号TfidfVectorizer？我应该使用数据中的最大元素数量吗？

参数的描述并没有让我清楚地了解如何为它选择值:

max_features:int或None,默认= None

如果不是None,则构建一个词汇表,仅考虑语料库中按术语频率排序的最高max_features.如果词汇表不是None,则忽略此参数.

Answer 1

该参数绝对可选,应根据理性思维和数据结构进行校准.

有时转换整个词汇表是无效的,因为数据可能有一些非常罕见的单词,如果传递给它TfidfVectorizer().fit(),将在未来为输入添加不需要的维度.例如,在这种情况下,适当的技术之一是打印出文档中的单词频率,然后为它们设置一定的阈值.想象一下,您已将阈值设置为50,并且您的数据语料库由100个单词组成.在查看单词频率后,20个单词出现不到50次.因此,你设置max_features=80好,你很高兴.

如果max_features设置为None,则在TF-IDF转换期间考虑整个语料库.否则,如果你通过了,比方说,5给max_features,这将意味着创造一个特征矩阵出翻过文本文档中最常见的5字.

快速举例

假设您使用与硬件相关的文档.您的原始数据如下:

from sklearn.feature_extraction.text import TfidfVectorizer

data = ['gpu processor cpu performance',
        'gpu performance ram computer',
        'cpu computer ram processor jeans']

您会看到jeans第三个文档中的单词几乎没有关联,只在整个数据集中出现一次.当然,省略这个词的最好方法是使用stop_words参数,但想象一下是否有很多这样的词; 或与主题相关但几乎没有出现的词语.在第二种情况下,max_features参数可能会有所帮助.如果继续max_features=None,那么它将创建一个3x7稀疏矩阵,而最佳情况将是3x6矩阵:

tf = TfidfVectorizer(max_features=None).fit(data)
tf.vocabulary_.__len__()  # returns 7 as we passed 7 words
tf.fit_transform(data)  # returns 3x7 sparse matrix

tf = TfidfVectorizer(max_features=6).fit(data)  # excluding 'jeans'
tf.vocabulary_  # prints out every words except 'jeans'
tf.vocabulary_.__len__()  # returns 6
tf.fit_transform(data)  # returns 3x6 sparse matrix