我正在处理一个情感分类问题，需要预测推文的情感是积极的、消极的还是中性的。以下是我的数据集的一瞥：
tweet_id airline_sentiment_confidence negativereason negativereason_confidence airline name retweet_count text tweet_created tweet location user_timezone airline_sentimentTr_tweet_1 1.000 NaN NaN Virgin America 0 tweets date Location Time PositiveTr_tweet_2 0.3846 NaN 0.7033 Virgin America 0 tweets date Location Time NegativeTr_tweet_3 0.6837 Bad flight 0.3342 Virgin America 0 tweets date Location Time NegativeTr_tweet_4 1.000 Can't tell 1.000 Virgin America 0 tweets date Location Time Neutral Tr_tweet_5 1.000 NaN NaN Virgin America 0 tweets date Location Time Neutral 然而，我将text列输入到TfIdf_Vectorizer中，并使用logreg来预测情感。然而，我的准确率非常低，约为68%，这显然是一个纯粹的自然语言处理问题。然而，如果我能以某种方式使用其他特征，我的准确率肯定会提高。
我想知道如何将其他数值和文本列（如negativereason）与我的text列结合起来作为特征，以提高准确率。
或者，这里是否有任何堆叠方法可以使用？例如，结合Tfidf的预测，然后再次使用其余的数值列进行预测？
TL;DR 如何处理数值和文本列作为特征以进行良好的预测？
回答：
正如你提到的，一种方法是堆叠。你可以将每条推文表示为一个特征向量，其中向量的每个位置代表一个词/术语，其值是该词的tf-idf值。然后，你可以将每条推文的tf-idf向量与你拥有的其他数值列连接起来，并将这些向量堆叠在一起形成一个矩阵（一旦你有了矩阵，你就可以开始尝试不同的机器学习模型了！）
有几点需要注意，一旦你为每条推文获得了tf-idf向量，可能需要运行降维算法如PCA，因为你将处理一个大而稀疏的向量。此外，根据你的数据，可能需要对每个连接的向量进行归一化处理（例如，使所有值在0到1之间）。最后，通常单个推文在文本信息上不够丰富。你可能需要考虑将相似的推文聚合在一起以获得更好的结果。
