当前位置: 首页 > 工具软件 > cpu_features > 使用案例 >

如何在TfidfVectorizer模块中选择max_features参数的大小?

怀宇
2023-12-01
如何在TfidfVectorizer模块中选择max_features参数的编号?我应该使用数据中的最大元素数量吗?参数的description没有给我一个如何选择它的价值的清晰愿景:
max_features : int or None, default=None

If not None, build a vocabulary that only consider the top max_features ordered by term frequency across the corpus.
This parameter is ignored if vocabulary is not None.
该参数绝对可选,应根据理性思维和数据结构进行校准.有时转换整个词汇表是无效的,因为数据可能有一些非常罕见的单词,如果传递给TfidfVectorizer().fit(),将在未来为输入添加不需要的维度.例如,在这种情况下,适当的技术之一是打印出文档中的单词频率,然后为它们设置一定的阈值.想象一下,您已将阈值设置为50,并且您的数据语料库由100个单词组成.在查看单词频率后,20个单词出现不到50次.因此,你设置max_features = 80,你很高兴.
如果max_features设置为None,则在TF-IDF转换期间考虑整个语料库.否则,如果你传递5到max_features,那就意味着在文本文档中最多5个频繁的单词中创建一个特征矩阵.
快速举例,假设您使用与硬件相关的文档.您的原始数据如下:
from sklearn.feature_extraction.text import TfidfVectorizer

data = ['gpu processor cpu performance',
        'gpu performance ram computer',
        'cpu computer ram processor jeans']
你会在第三个文档中看到牛仔裤这个词几乎没有关联,并且在整个数据集中只出现一次.当然,省略这个词的最好方法是使用stop_words参数,但想象一下是否有很多这样的词;或与主题相关但几乎没有出现的词语.在第二种情况下,max_features参数可能会有所帮助.如果继续使用max_features = None,那么它将创建一个3×7稀疏矩阵,而最佳情况则是3×6矩阵:
tf = TfidfVectorizer(max_features=None).fit(data)
tf.vocabulary_.__len__()  # returns 7 as we passed 7 words
tf.fit_transform(data)  # returns 3x7 sparse matrix

tf = TfidfVectorizer(max_features=6).fit(data)  # excluding 'jeans'
tf.vocabulary_  # prints out every words except 'jeans'
tf.vocabulary_.__len__()  # returns 6
tf.fit_transform(data)  # returns 3x6 sparse matrix
 类似资料: