这听起来可能很幼稚，但我只是想确认一下，在机器学习术语中，文档聚类中的特征是指从文档中选择的词，如果一些词在词干提取或作为停用词后被丢弃的话。

我正在尝试使用LibSvm库，它提到对于不同类型的{实例数，特征数}有不同的方法。

例如，如果实例数远低于特征数，线性核就适用。如果两者都很大，线性核会更快。然而，如果特征数较小，非线性核会更好。

所以对于我的文档聚类/分类，我有大约100个文档，每个文档大约有2000个词。因此，我属于实例数少而特征数大的类别，这取决于我如何定义特征。

我想对文档使用tf-idf方法。

那么，特征数是否是我从tf-idf得到的向量的大小？

回答：

你在这里讨论的只是一种可能性，实际上这是为文档定义特征的最简单方法。在机器学习术语中，特征是从输入空间（在这个特定例子中是从文档空间）映射到某个适合特定机器学习模型的抽象空间的任何映射。大多数机器学习模型（如神经网络、支持向量机等）在数值向量上工作，因此特征必须是从文档到（固定大小）数值向量的映射。这就是有时选择词袋表示的原因，我们使用词计数向量作为文档的表示。这种限制可以通过使用特定的模型来克服，例如朴素贝叶斯（或为SVM定制的核，使它们能够处理非数值数据），只要我们能定义特定的条件概率，这些模型就可以处理任何对象——在这里，最基本的方法是将文档是否包含特定词作为“特征”。一般来说，这不是唯一的可能性，还有数十种使用统计特征、语义特征（基于某些本体如wordnet）的方法等。

总结来说——这只是为机器学习模型表示文档的一种最简单的方法。开始时很好用，也能理解基础知识，但远不是“特征定义”。

编辑

no_of_features是你用于文档表示的向量的大小，所以如果你使用tf-idf，那么结果向量的大小就是no_of_features。