我有 N 文件的语料库，分类为垃圾邮件 / 无垃圾邮件。我遵循标准程序来预处理R（code here）中的数据。预处理以DocumenTermMatrix结尾，权重为 tfidf 。
现在我想用我的模型对新文档进行分类。
如何为单个新文档计算相应的DocumentVector（使用文档的 tf 和语料库的 idfs ）？我想避免重新计算整个语料库的DocumentTermMatrix。
答案 0 :(得分：1)
我过去遇到过类似的问题，这个功能不包含在tm包中。 Ingo Feinerer建议构建一个函数来获取DocumentVector。该函数需要使用先前从语料库和新文档中构建的tm或dtm。首先以与语料库相同的方式预处理新文档，并使用单词和tf创建列表。您可以将tm / dtm（例如tdm $ dimnames $ Terms）中的单词与新文档转换的方式合并为具有与文档的tf值相同的语料库条目（简单合并）。然后用标准方式将tf除以语料库的idfs：
cs<-row_sums(tm>0)
lnrs<-log2(nDocs(tm)/cs)
tf*lnrs #
完成返回DocumentVector。 然后，您可以在使用SVM直接进行预测时将vector用作data.frame。
答案 1 :(得分：0)
我不知道您使用的是什么svm库，但似乎您的SVM模型存储在Corpus.svm中 - 是否正确？
对于新文档的预测，您可以按照以下步骤进行操作：http://planatscher.net/svmtut/svmtut.html任务2.如果您使用其他库，则该过程将类似。 IRIS数据集也有实际的例子。唯一的区别是您的新文档必须以与训练示例相同的方式处理（即删除停用词，tf-idf，......）