Python 如何在机器学习算法中部署我的功能？

我是ML的新手，所以我有一个非常基本的问题。如果有人能为我澄清一下，我将不胜感激

假设我有一组标记为否定和肯定的tweet。我想做一些情绪分析

我提取了3个基本特征：

情感图标 感叹号 激烈的言辞，真的等等。。 我应该如何将这些特性与SVM或其他ML算法结合使用

换句话说，我应该如何在SVM算法中部署提取的特征？ 我正在使用python，已经知道应该如何运行SVM或其他算法，但我不知道提取的特征和它们在每个算法中的作用之间的关系

根据一些专家的回答，我更新了我的问题：

---

首先，我想感谢你的时间和有价值的解释。我认为我的问题正在解决…所以按照你所说的，每个ML算法可能需要一些矢量化的特征，我应该找到一种方法来将我的特征表示为矢量。我想通过一个基本的例子来解释我从你的解释中得到的东西

---

假设我有表情图标，例如3个图标作为一个功能：

1-因此，我应该用一个有3个值的向量来表示这个特征

2-矢量化特征可以这样初始化：[0,0,0]每个值表示一个图标=：和：和：p

3-接下来，我应该浏览每条推文，检查推文是否有图标。例如[2,1,0]显示tweet有：：2次，和：1次，和：p没有时间

4-在我检查了所有的tweet后，我会得到一个大向量，大小为n*3 n是我的tweet总数

对于其他特征，应进行5-阶段1-4

---

6-然后我应该使用SVM的m模型合并所有这些特征，m是我的特征数，然后通过多数投票或其他方法进行分类。 或者应该通过连接所有向量来创建一个长向量，并将其提供给SVM

如果有任何误解，请你纠正我好吗？如果它是不正确的，我会删除它，否则我应该让它留下，因为它可以为任何初学者，如我实用。。。 感谢大家…

基本上，为了使事情变得简单和肤浅，所有算法都采用某种数字向量来表示特征

真正的工作是找到如何将特征表示为向量，从而产生最佳结果，这取决于特征本身和使用的算法

例如，要使用基本上可以找到分隔平面的SVM，您需要将特征投影到一些向量集上，这些向量集可以产生足够好的分隔效果，因此，例如，您可以这样处理您的特征：

情感图标-创建一个表示该推文中所有图标的向量，将每个图标定义为从1到n的索引，因此由[0,0,0,2,1]表示的推文表示第四个和第五个图标分别出现在他的身体中2次和1次

感叹号-您可以简单地计算出现的次数。更好的方法是表示有关感叹号的更多信息，如句子中的位置等

强度词-您可以使用与情绪图标相同的方法

基本上，每个特征都可以在SVM模型中单独使用来分类好的和坏的

您可以使用3个SVM模型合并所有这些特征，然后通过多数投票或其他方法进行分类

或

您可以通过连接所有向量来创建一个长向量，并将其提供给SVM

这只是一种方法，您可以调整它或使用其他方法来更好地适应您的数据、模型和目标

---

我是否应该每次使用一个功能训练数据集？我读了几篇文章，他们只是在说：我们应该提取功能并在我们的算法中部署它们，但如何实现呢？基本功能在功能空间中充当推特的坐标。对于有监督的学习，你需要把你认为是训练数据的微博标记为正面或负面，然后使用SVM或其他方法。但我的问题是，我不明白什么时候以及如何使用这些功能？！！例如，在情绪分析任务中，我们都知道表情词典是一项基本功能，它可以作为tweet情绪的线索。但我不知道该如何将这条线索应用到我的算法中HMI将列举情感图标，并将它们与感叹号的数量和强度词的数量一起用作整数，以便每条推特都有一个3x1特征向量“10，0，0”，例如，连同其标签0-正，1-否定您还想在0和1之间规范化这些功能。首先，我想感谢您的时间和有价值的解释。我认为我的问题正在解决…所以按照你所说的，每个ML算法可能需要一些矢量化的特征，我应该找到一种方法来将我的特征表示为矢量。我想解释一下我从你的实验中得到了什么

---

通过一个基本的例子来解释：假设我有表情图标，例如3个图标作为一个功能。1-因此，我应该用一个有3个值的向量来表示这个特征。2-矢量化特征可以这样初始化：[0,0,0]每个值表示一个图标=：和：和：P。3-接下来，我应该浏览每条推文，检查推文是否有图标。例如[2,1,0]显示tweet有：：2次，和：1次，和：p没有时间。4-在我检查了所有的tweet后，我会得到一个大向量，大小为n*3 n是我的tweet总数。5-阶段1-4应针对其他特征进行。6-然后我应使用SVM的m模型合并所有这些特征m是我的特征数，然后通过多数投票或其他方法进行分类。或者应该通过连接所有向量来创建一个长向量，并将其提供给SVM。如果有任何误解，请你纠正我好吗？如果它是不正确的，我会删除它，否则我应该让它留下，因为它可以为任何初学者，如我实用。。。非常感谢…