Python 在Sklearn机器学习中，有没有方法在没有目标标签的情况下对文本进行分类？

我想知道是否有任何方法可以使用Python和Sklearn机器学习的组合，根据文本中的单词将文本数据划分为不同的组/类别

例如：

text = [["request approval for access", "request approval to enter premises", "Laptop not working"], ["completed bw table loading"]]

因此，我可以得到如下类别：

category_label = [[0,0,2], [1]]
categories = [["approval request", "approval request", "Laptop working"], ["bw table"]]

在哪里

      0 = approval request
      2 = laptop working
      1 = bw table

---

基本上，上述情况意味着没有标记的训练数据或目标标签

您可以尝试一种聚类方法，但不能保证您得到的聚类与您想要的类别相对应，因为您没有清楚地解释您想要的算法

我要做的是手动标记一些数据（标记300个样本需要多长时间？）

如果这是不可能的，那么最好的办法是计算一个样本和每个类描述之间的余弦相似性，对它们进行排序，然后指定最接近的类。但在我看来，当你完成代码编写时，你可以手动标记一些样本，并训练一个精度更高的标准算法。

@user1452759

---

您的问题比一般的机器学习更具体，您应该使用包NLTK而不是sklearn。看看用nltk对文本进行分类，这在中和中都是很容易做到的

您列出的功能包括：

0 = approval request
2 = laptop working
1 = bw table

---

不是聚类算法自然会选择的，值得提醒您注意的是，使用启发式算法可能会给统计学习算法蒙上阴影。我建议你先尝试一些聚类和分类，然后考虑你可以标记你的集群并传播那些标签。< / P>我已经使用k-均值算法来聚类数据。但是聚类并不是那么准确。这就是我想使用DBSCAN（eps=0.85）对已经存在的Kmeans集群进行进一步集群的地方。这在理论上是可行的……但有些DBSCAN子集群中的记录只有1。这将使我的实际完整代码有点黑客。所以我想避免这样。对我来说，手动标记数据是不可能的，因为数据量很大！你不需要标记所有的数据，只需要几个样本来训练算法。然后使用经过训练的算法来预测其余的。除了“eps”参数（设置两个点在同一邻域中的最大距离）外，sk learn的DBSCAN算法还有一个“min_samples”参数，用于设置邻域的最小样本数。这个参数默认为5，所以我很惊讶您看到的核心集群只有一个成员。@AN6U5 OMG！你说得对！我已将min_样本设置为1！谢谢你指出这一点！