我有一个使用文档训练集的tf-idf表示并对其应用逻辑回归的文档二项分类器：

lr_tfidf = Pipeline([('vect', tfidf),('clf', LogisticRegression(random_state=0))])lr_tfidf.fit(X_train, y_train)

我将模型保存为pickle格式，并用它来对新文档进行分类：

text_model = pickle.load(open('text_model.pkl', 'rb'))results = text_model.predict_proba(new_document)

如何在不显式计算的情况下，获取模型对新文档使用的表示（特征+频率）？

编辑：我试图更好地解释我想得到什么。当我使用predict_proba时，我猜测新文档被表示为一个词频向量（根据模型中存储的规则），这些频率被乘以逻辑回归模型学习的系数来预测类别。我的理解对吗？如果是的，那么如何获取predict_proba使用的这个新文档的术语和术语频率？

我使用的是sklearn v 0.19

回答：

根据评论，我理解您需要从管道内部访问tfidfVectorizer。这可以通过以下方式轻松完成：

tfidfVect = text_model.named_steps['vect']

现在，您可以使用向量化的transform()方法来获取tfidf值。

tfidf_vals = tfidfVect.transform(new_document)

tfidf_vals将是一个包含new_document中找到的术语的tfidf的单行稀疏矩阵。要检查该矩阵中存在哪些术语，您需要使用tfidfVect.get_feature_names()。