我正在做文件的文本分类,我有大约4k类和110万个数据样本 .
我正在构建矩阵,其中包含每个文档中的单词频率 . 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 .
为了减少矩阵维数,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]])
这是我得到的缩小尺寸,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%
我的准确度很低,
以上步骤是否正确?
我需要进一步包含哪些内容?
1 回答
精度很低,因为 you lose most information during dimensionality rediction .
您可以使用
sum(svd.explained_variance_ratio_ )
进行检查 . 此数字(如R^2
)测量模型的精度:如果所有信息都由SVD保留,则等于1;如果未保留任何信息,则等于0 . 在你的情况下(3个90K特征的尺寸)我预计它是0.1%的订单 .对于你的问题,我会推荐两种策略中的一种 .
1 . 不要以数学方式减小尺寸 . 相反,要对语言进行语言预处理:删除停止词,将词干或词汇化为其余词,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,您可以训练稀疏模型(如
SGDClassifier
,具有巨大的L1惩罚),这可以将实际使用的功能的数量降低到1K,同样仍具有良好的准确性 . 在进入线性分类器之前,有时可以使用TF-IDF转换字数 .2 . 使用预先训练的降维器(如
word2vec
或fastText
)从文本中提取要素 . 在因特网中存在预训练的word2vec模型,用于多种语言和若干维度(如200,1000等) .