Python sklearn多项式nb中负值的处理

在sklearn中运行多项式NB之前，我正在规范化文本输入，如下所示：

vectorizer = TfidfVectorizer(max_df=0.5, stop_words='english', use_idf=True)
lsa = TruncatedSVD(n_components=100)
mnb = MultinomialNB(alpha=0.01)

train_text = vectorizer.fit_transform(raw_text_train)
train_text = lsa.fit_transform(train_text)
train_text = Normalizer(copy=False).fit_transform(train_text)

mnb.fit(train_text, train_labels)

---

不幸的是，多项式nb不接受在LSA阶段创建的非负值。有什么办法可以解决这个问题吗

我建议您不要将朴素贝叶斯与奇异值分解或其他矩阵分解结合使用，因为朴素贝叶斯基于应用贝叶斯定理，并在特征之间具有强（朴素）独立性假设。使用其他分类器，例如RandomForest

我尝试了这个实验，结果如下：

vectorizer = TfidfVectorizer(max_df=0.5, stop_words='english', use_idf=True)
lsa = NMF(n_components=100)
mnb = MultinomialNB(alpha=0.01)

train_text = vectorizer.fit_transform(raw_text_train)
train_text = lsa.fit_transform(train_text)
train_text = Normalizer(copy=False).fit_transform(train_text)

mnb.fit(train_text, train_labels)

这是相同的情况，但我使用NMP（非负矩阵分解）代替SVD，获得了0,04%的准确率

为RandomForest更改分类器多项式nb，我获得了79%的准确率

---

因此，请更改分类器或不应用矩阵分解。

尝试在

fit（）中执行此操作。

---

尝试使用

sklearn.preprocessing.MinMaxScaler（）

。将您的培训功能扩展到

[0,1]

Brilliant。成功了！谢谢。或者尝试用（NMF）代替LSA，或者用SVM代替朴素贝叶斯。别忘了从sklearn.decomposition导入带有

的[NFM][1]：
train_text.np.todense()