这可能听起来很天真，但我只是想确保在使用机器学习术语时，文档聚类中的功能是从文档中选择的单词，如果某些单词在词干之后被丢弃或作为停止词。
我正在尝试使用LibSvm库，它说不同类型的{no_of_instances，no_of_features}有不同的方法。
如果no_of_instances比no_of_features低很多，那么线性内核会这样做。如果两者都很大，线性会很快。但是，如果no_of_features很小，则非线性内核更好。
因此，对于我的文档聚类/分类，我有少量文档，例如100，每个文档可能有2000左右的单词。所以我属于小no_of_instances和大no_of_features类别，具体取决于我认为的功能。
我想将tf-idf用于文档。
那么no_of_features是我从tf-idf得到的向量的大小吗？
答案 0 :(得分：1)
你在这里谈论的只是一种可能性，实际上是定义文档功能的最简单方法。在机器学习中，术语特征是从输入空间（在此特定示例中 - 从文档空间）到某个抽象空间的任何映射，该抽象空间适用于特定的机器学习模型。大多数ML模型（如神经网络，支持向量机等）都在数值向量上工作，因此要素必须是从文档到（常量）数字向量的映射。这是有时选择 bag of owrds 的表示的原因，其中我们有一个单词'count vector作为文档表示。这种限制可以通过使用特定模型来克服，例如Naive Bayes（或SVM的自定义内核，使其能够使用非数字数据），只要我们可以定义特定的条件概率，它就可以在任何对象上工作 - 在这里，最基本的方法是将包含特定单词的文档视为“特征”。一般来说，这不是唯一的可能性，有许多方法使用统计特征，语义特征（基于像wordnet这样的一些本体）等。
总结一下 - 这只是机器学习模型的一个最简单的文档表示。很高兴开始，很好地理解基础知识，但远不是一个“功能定义”。
修改
no_of_features是您用于文档表示的向量的大小，因此如果使用tf-idf，则生成的vecor的大小为no_of_featuers。