我在Python中使用sklearn进行聚类。我已经训练了200,000条数据,以下代码运行良好。
corpus = open("token_from_xml.txt")vectorizer = CountVectorizer(decode_error="replace")transformer = TfidfTransformer()tfidf = transformer.fit_transform(vectorizer.fit_transform(corpus))km = KMeans(30)kmresult = km.fit(tfidf).predict(tfidf)
但是,当我有新的测试内容时,我想将其聚类到我已经训练好的现有聚类中。因此,我想知道如何保存IDF结果,以便我可以对新的测试内容进行TFIDF处理,并确保新测试内容的结果具有相同的数组长度。
提前感谢。
更新
我可能需要将“transformer”或“tfidf”变量保存到文件(txt或其他格式),如果其中一个包含了训练好的IDF结果的话。
更新
例如,我有以下训练数据:
["a", "b", "c"]["a", "b", "d"]
并进行TFIDF处理,结果将包含4个特征(a,b,c,d)。
当我测试:
["a", "c", "d"]
以查看它属于哪个聚类(已由k-means创建),TFIDF将只给出包含3个特征(a,c,d)的结果,因此k-means的聚类将会失败。(如果我测试["a", "b", "e"]
,可能会有其他问题。)
那么,如何存储测试数据的特征列表(甚至将其存储在文件中)呢?
回答:
我通过保存vectorizer.vocabulary_
成功保存了特征列表,并通过CountVectorizer(decode_error="replace",vocabulary=vectorizer.vocabulary_)
重用它。
以下是代码:
corpus = np.array(["aaa bbb ccc", "aaa bbb ddd"])vectorizer = CountVectorizer(decode_error="replace")vec_train = vectorizer.fit_transform(corpus)#保存 vectorizer.vocabulary_pickle.dump(vectorizer.vocabulary_,open("feature.pkl","wb"))#稍后加载transformer = TfidfTransformer()loaded_vec = CountVectorizer(decode_error="replace",vocabulary=pickle.load(open("feature.pkl", "rb")))tfidf = transformer.fit_transform(loaded_vec.fit_transform(np.array(["aaa ccc eee"])))
这样可以。tfidf
将具有与训练数据相同的特征长度。