python - 如何在无监督聚类期间在 sklearn 的 TfidfVectorizer 中选择参数

Question

TfidfVectorizer 提供了一种将文本编码和转换为向量的简单方法。

我的问题是如何为 min_df、max_features、smooth_idf、sublinear_tf 等参数选择合适的值？

更新：

也许我应该在这个问题上提供更多细节：

如果我对一堆文本进行无监督聚类怎么办。而且我没有任何文本标签并且我不知道可能有多少个集群（这实际上是我想要弄清楚的）

Answer 1

例如，如果您在分类任务中使用这些向量，您可以改变这些参数（当然还有分类器的参数）并查看哪些值可以提供最佳性能。

您可以使用 GridSearchCV 和 Pipeline 对象在 sklearn 中轻松做到这一点

pipeline = Pipeline([
    ('tfidf', TfidfVectorizer(stop_words=stop_words)),
    ('clf', OneVsRestClassifier(MultinomialNB(
        fit_prior=True, class_prior=None))),
])
parameters = {
    'tfidf__max_df': (0.25, 0.5, 0.75),
    'tfidf__ngram_range': [(1, 1), (1, 2), (1, 3)],
    'clf__estimator__alpha': (1e-2, 1e-3)
}

grid_search_tune = GridSearchCV(pipeline, parameters, cv=2, n_jobs=2, verbose=3)
grid_search_tune.fit(train_x, train_y)

print("Best parameters set:")
print grid_search_tune.best_estimator_.steps