Python Scikit学习：don'；不要用一些词作为一个词的特征，而要用在搭配中

我正在使用Python和scikit学习进行文本分类

现在，我使用TfidfVectorizer作为向量器（用于将原始文本转换为特征向量），使用多项式NB作为分类器。 我使用参数ngram_range=（1,2）（参见），例如，我使用一个单词和bigrams

在测试集和CV集中对我的算法进行分类和测试之后，我想提高精度。 我看到了信息量最大的功能（由于问题）。我发现，在这组信息量最大的特征中，我有一些词（ngram=1），它们对分类没有影响，但在bigram（词语搭配）中，它们会产生很大的影响

<> P>所以，我不能使用StaskWord，因为TFIDFVECZER不会在搭配中考虑这个词，我也不能用同样的理由使用预处理器。

---

问题：如何排除tfidfvectorizer中的某些单词，但将这些单词保存在不同的搭配中？

我认为有几种可能的方法：

使用

ngram_range=（1,2）

构造两个

TfidfVectorizer

两次。在安装第一个矢量器后提取特征名称，过滤掉不需要的unigram特征，并将此特征列表作为第二个矢量器的

词汇表

参数提供。使用第二个矢量器进行变换

提供

TfidfVectorizer

的

analyzer

参数作为一个函数，该函数从每个原始文档中执行自定义的特征提取，例如，避免将一些无用的单字符吐出作为特征（但这意味着您需要自己生成单词组合）

像往常一样安装一个

TfidfVectorizer

，它可能包含一些不需要的Unigram。使用

get\u feature\u names（）

获取与所需特征对应的列索引。使用矢量器执行

transform（）

时，请执行额外的步骤，根据感兴趣的索引对生成的稀疏矩阵的列进行切片