Machine learning 在tfidf之前使用CountVectorizer(max_df)的管道
目前我不确定这个等式是针对stackoverflow还是另一个更为理论化的统计QA。但我对以下几点感到困惑 我正在做一个binairy tekst分类任务。对于此任务,我使用管道,下面是一个示例代码:Machine learning 在tfidf之前使用CountVectorizer(max_df)的管道,machine-learning,scikit-learn,nlp,tf-idf,countvectorizer,Machine Learning,Scikit Learn,Nlp,Tf Idf,Countvectorizer,目前我不确定这个等式是针对stackoverflow还是另一个更为理论化的统计QA。但我对以下几点感到困惑 我正在做一个binairy tekst分类任务。对于此任务,我使用管道,下面是一个示例代码: pipeline = Pipeline([ ('vect', CountVectorizer()), ('tfidf', TfidfTransformer()), ('clf', LogisticRegression()) ]) parameters = { 'vect__ngram_r
pipeline = Pipeline([
('vect', CountVectorizer()),
('tfidf', TfidfTransformer()),
('clf', LogisticRegression())
])
parameters = {
'vect__ngram_range': [(1, 1), (1, 2), (1, 3)],
'vect__stop_words': [None, stopwords.words('dutch'), stopwordList],
'clf__C': [0.1, 1, 10, 100, 1000]
}
所以这并不奇怪,但是我开始玩参数选项/设置,并注意到下面的代码(代码中的步骤和参数)具有最高的精度分数(f1分数):
因此,我很高兴能找出哪些参数设置和方法我得到了最高的分数,但我不知道确切的含义。与“vectorizor”步骤一样,max_df(忽略出现在20%以上文档中的术语)的设置在tfidf之前应用似乎很奇怪(或者以某种方式加倍)
此外,它还使用了10.000的max_特性。在max_df或max_功能之前使用的步骤是什么?我如何解释设置此参数并随后执行tfidf的max_功能。然后是否对10.000个功能执行tfidf
对我来说,在使用诸如max_df和max_features之类的参数之后执行tfidf似乎很奇怪?我说得对吗?为什么?或者我应该做能带来最高结果的事
我希望有人能在正确的方向上帮助我,提前多谢 您发现的精度是在单列车测试集上计算的,还是通过交叉验证?交叉验证,就像我使用gridsearch一样。您发现的精度是在单列车测试集上计算的,还是通过交叉验证?交叉验证,就像我使用gridsearch一样。
pipeline = Pipeline([
('vect', CountVectorizer()),
('tfidf', TfidfTransformer()),
('clf', LogisticRegression())
])
parameters = {
'vect__ngram_range': [(1,1)],
'vect__stop_words': [None],
'vect__max_df': [0.2],
'vect__max_features': [10000],
'clf__C': [100]
}