Python 基于sklearn或gensim的有监督维度redunction/topic模型
我有弓形向量，我想知道sklearn或gensim中是否有监督降维算法，能够获取高维、监督数据，并将其投影到低维空间，从而保持这些类之间的差异Python 基于sklearn或gensim的有监督维度redunction/topic模型,python,machine-learning,gensim,dimensionality-reduction,Python,Machine Learning,Gensim,Dimensionality Reduction,我有弓形向量，我想知道sklearn或gensim中是否有监督降维算法，能够获取高维、监督数据，并将其投影到低维空间，从而保持这些类之间的差异 事实上，我正试图为分类/回归找到一个合适的度量，我相信使用维度可以帮助我。我知道有无监督的方法，但我希望保留标签信息。您只能以无监督的方式或有监督的方式执行降维，但标签与目标标签不同 例如，您可以使用包含100个主题的数据集来训练逻辑回归分类器。使用您的训练数据，该分类器的100个值的输出可能是您的降维功能集。-Facebook research的实现，
事实上，我正试图为分类/回归找到一个合适的度量，我相信使用维度可以帮助我。我知道有无监督的方法，但我希望保留标签信息。您只能以无监督的方式或有监督的方式执行降维，但标签与目标标签不同 例如，您可以使用包含100个主题的数据集来训练逻辑回归分类器。使用您的训练数据，该分类器的100个值的输出可能是您的降维功能集。-Facebook research的实现，基本上帮助您实现您一直要求的功能。既然您询问了gensim，我想您可能知道gensim中的word2vec
现在word2vec是米科洛夫在谷歌工作时提出的。Mikolov和他的Facebook ahs团队提出了fastText，它考虑了单词和子单词信息。它还允许对文本进行分类。这样的方法不会产生预期的结果，因为您正在学习对已经减少的集合的管理