scikit-learn - 我应该使用TF或TF-IDF模型吗？

Question

我试图在sklearn（Python）上找到适合不同概率模型（如Latent Dirichlet Allocation，Non-negative Matrix Factorization等）的最佳方法。

看一下sklearn文档中的示例，我想知道为什么LDA模型适合TF阵列，而NMF模型适合TF-IDF阵列。 这个选择有确切的原因吗​​？

以下是示例： http ： //scikit-learn.org/stable/auto_examples/applications/topics_extraction_with_nmf_lda.html#sphx-glr-auto-examples-applications-topics-extraction-with-nmf-lda-py

此外，有关如何找到适合我的模型的最佳参数（迭代次数，主题数...）的任何提示都被广泛接受。

先感谢您。

Answer 1

为了使答案清楚，首先必须检查两个模型的定义。

LDA是一种概率生成模型，通过对每个单词的主题进行抽样，然后从抽样主题中抽取一个单词来生成文档。 生成的文档表示为一袋文字。

NMF在其一般定义中搜索2个矩阵W和H，使得W*H=V ，其中V是观察到的矩阵。 这些矩阵的唯一要求是它们的所有元素都必须是非负的。

从上面的定义可以清楚地看出，在LDA中，只能使用词包频率计数，因为实数矢量没有意义。 我们创建了一个单词1.2次吗？ 另一方面，我们可以使用NMF的任何非负表示，并且在示例中使用tf-idf。

至于选择迭代次数，对于scikit中的NMF，我不知道停止标准，虽然我认为损失函数的相对改善小于阈值，所以你必须进行实验。 对于LDA，我建议手动检查保持的验证集中的对数似然的改进，并在它低于阈值时停止。

其余的参数在很大程度上取决于数据，因此我建议，正如@rpd所建议的，您进行参数搜索。

总而言之，LDA 只能生成频率，而NMF 可以生成任何非负矩阵 。