TF-IDF向量可以在不同级别的输入标记(词语、字符、n-gram)上生成,我们应该使用哪一种?

a. 词级TF-IDF:矩阵表示不同文档中每个词项的tf-idf得分。

b. N-gram级TF-IDF:N-gram是N个词项的组合。该矩阵表示N-gram的tf-idf得分

c. 字符级TF-IDF:矩阵表示字符级的tf-idf得分

tfidf_vect = TfidfVectorizer(analyzer='word', token_pattern=r'\w{1,}', max_features=5000)tfidf_vect.fit(trainDF['texts'])xtrain_tfidf = tfidf_vect.transform(train_x)xvalid_tfidf = tfidf_vect.transform(valid_x)# ngram level tf-idf N-gram Level TF-IDF : N-grams are the combination of N terms together. This Matrix representing tf-idf scores of N-gramstfidf_vect_ngram = TfidfVectorizer(analyzer='word', token_pattern=r'\w{1,}', ngram_range=(2, 3), max_features=5000)tfidf_vect_ngram.fit(trainDF['texts'])xtrain_tfidf_ngram = tfidf_vect_ngram.transform(train_x)xvalid_tfidf_ngram = tfidf_vect_ngram.transform(valid_x)# characters level tf-idf Character Level TF-IDF : Matrix representing tf-idf scores of character level n-grams in the datasettfidf_vect_ngram_chars = TfidfVectorizer(analyzer='char', token_pattern=r'\w{1,}', ngram_range=(2, 3), max_features=5000)tfidf_vect_ngram_chars.fit(trainDF['texts'])xtrain_tfidf_ngram_chars = tfidf_vect_ngram_chars.transform(train_x)xvalid_tfidf_ngram_chars = tfidf_vect_ngram_chars.transform(valid_x)

回答:

没有一种方法适合所有情况。具体方法将取决于数据的性质。

你应该使用GridSearchCV来识别在你的具体情况下的最佳方法。这里有一个来自官方文档的文本特征提取流程的良好示例

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注