Python 如何向scikit学习分类模型添加除BOW之外的其他功能

我正在尝试建立一个文本分类模型。我的目标是将10000份文件中的每一段分类为是否有“罢工事件”的信息

首先，我遵循基本的预处理步骤，将段落转换为术语文档矩阵（CountVectorizer）。然后将该矩阵反馈给scikit learn提供的模型，如logistic回归和svm

然而，我发现预先训练的LDA模型提供的文档主题信息将有助于段落级文本分类

因此，我还想为每个文本提供主题信息和BOW信息

根据问题的答案，我认为只需在术语文档矩阵的最后一列添加主题号

例如，“text_train”是我的训练语料库（比如40000个段落），“topic”是LDA模型为每个段落提供的主题编号列表

vectorizer=CountVectorizer（ngram\u范围=（1,3））
X=矢量器。拟合变换（文本序列）
X.toarray（）#形状（40000643898）
topic=coo_矩阵（[topic]）.T#形（40000,1）
hstack（[X.toarray（），topic]）.toarray（）#形状（40000643899）

这将返回所需的矩阵，其最后一列包含有关主题的信息

然而，由于主题编号不像术语文档矩阵的元素那样具有基数（或序数）顺序，我担心某些线性机器学习模型可能不适合这项工作

---

这是真的吗？那我还有别的解决办法吗？

是的，你说得对<代码>主题列不是基本/顺序功能

您可以使用

主题

功能，然后将其附加到

计数向量器

输出

另一个选项（我认为这是更好的方法），您可以将每个主题的概率（您可以使用

lda.transform（）

function）作为附加功能