Question

我正在对文档进行文本分类，我有大约4k类和110万个数据样本。

我正在构建包含每个文档中单词频率的矩阵。矩阵样本如下所示

            X1     X2     X3        X4 
D1          1      1       0        1
D2          1      1       1        0
D3          1      1       0        0
D4          1      1       1        1
D5          0      0       1        0
D6          0      0       1        1

在上面的矩阵中，X1和X2是冗余特征，因为它们在所有行中具有相同的值。

首先，当我从110万个数据构建矩阵时，我将获得具有90k特征的巨大矩阵。

为了减少矩阵尺寸，我正在使用降维技术PCA 我使用TruncatedSVD来计算PCA，因为我正在使用稀疏矩阵。

我正在使用Sckit使用以下代码学习PCA的实现

from sklearn.decomposition import TruncatedSVD
X = [[1,1,0,1], [1,1,1,0], [1,1,0,0],[1,1,1,1],[0,0,1,0],[0,0,1,1]]
svd = TruncatedSVD(n_components=3)
svd.fit(X)  
X_new=svd.fit_transform(X)

X_new的输出是

array([[ 1.53489494, -0.49612748, -0.63083679],
   [ 1.57928583, -0.04762643,  0.70963934],
   [ 1.13759356, -0.80736818,  0.2324597 ],
   [ 1.97658721,  0.26361427, -0.15365716],
   [ 0.44169227,  0.75974175,  0.47717963],
   [ 0.83899365,  1.07098246, -0.38611686]])

这是我减少的尺寸我将X_new作为Naive Bayes分类器的输入。

clf = GaussianNB()
model=clf.fit(X_new, Y)

对于110万个样本，我得到了以下输出：

No_of_components
(“n_components” parameter)           accuracy
   1000                                6.57%
   500                                 7.25%
   100                                 5.72%

我的准确度非常低，

以上步骤是否正确？

我需要进一步包含哪些内容？

Answer 1

准确性很低，因为在维度重写期间丢失了大部分信息。

您可以使用sum(svd.explained_variance_ratio_ )进行检查。此数字与R^2一样，用于测量模型的精度：如果所有信息都由SVD保留，则等于1;如果没有保留信息，则等于0。在你的情况下（3个90K特征的尺寸）我预计它的数量为0.1％。

对于你的问题，我会推荐两种策略中的一种。

<强> 1 即可。不要以数学方式减小尺寸。相反，要对语言进行语言预处理：删除停用词，将其余词语词干或词义化，然后删除少于k次的词。它会将您的维度从90K带到15K，而不会造成严重的信息丢失。

在这些功能上，你可以训练一个稀疏模型（比如SGDClassifier具有巨大的L1惩罚），这可以将实际使用的特征数量降低到1K，同时仍具有良好的准确性。在馈送到线性分类器之前，有时可以使用TF-IDF转换字数。

<强> 2 即可。使用预先训练的维度缩减器（如word2vec或fastText）从文本中提取要素。互联网上存在预先训练过的word2vec模型，有多种语言，有多种维度（如200,1000等）。

使用PCA进行文本分类降低维度

1 个答案: