python - scikit-learn - 我应该用 TF 还是 TF-IDF 拟合模型？

Question

我试图找出在 sklearn（Python）上拟合不同概率模型（如潜在狄利克雷分配、非负矩阵分解等）的最佳方法。

查看 sklearn 文档中的示例，我想知道为什么 LDA 模型适合 TF 数组，而 NMF 模型适合 TF-IDF 数组。这种选择有确切的理由吗？

这是示例：http ://scikit-learn.org/stable/auto_examples/applications/topics_extraction_with_nmf_lda.html#sphx-glr-auto-examples-applications-topics-extraction-with-nmf-lda-py

此外，任何关于如何找到适合我的模型的最佳参数（迭代次数、主题数......）的提示都被广泛接受。

先感谢您。

Answer 1

为了使答案清楚，首先必须检查这两个模型的定义。

LDA 是一种概率生成模型，它通过为每个单词采样一个主题，然后从采样的主题中抽取一个单词来生成文档。生成的文档被表示为一个词袋。

NMF 在其一般定义中是搜索 2 个矩阵 W 和 H，使得W*H=V其中 V 是观察矩阵。这些矩阵的唯一要求是它们的所有元素都必须是非负的。

从上面的定义可以清楚地看出，在 LDA 中只能使用词袋频率计数，因为实数向量没有意义。我们创造了一个单词 1.2 次吗？另一方面，我们可以对 NMF 使用任何非负表示，并且在示例中使用了 tf-idf。

至于选择迭代次数，对于 scikit learn 中的 NMF，我不知道停止标准，尽管我相信这是损失函数小于阈值的相对改进，因此您必须进行实验。对于 LDA，我建议手动检查保留验证集中对数可能性的改进，并在它低于阈值时停止。

其余参数在很大程度上取决于数据，因此我建议您按照@rpd 的建议进行参数搜索。

综上所述，LDA只能生成频率，而 NMF可以生成任何非负矩阵。