无监督聚类期间如何在sklearn的TfidfVectorizer中选择参数

Question

TfidfVectorizer提供了一种将文本编码和转换为向量的简便方法。

我的问题是如何为min_df，max_features，smooth_idf，sublinear_tf等参数选择合适的值？

更新：

也许我应该在这个问题上提供更多细节：

如果我要对大量文本进行无监督聚类怎么办。 而且我没有任何文本标签，也不知道可能有多少个集群（这实际上是我要弄清楚的）

Answer 1

例如，如果您在分类任务中使用这些向量，则可以更改这些参数（当然还有分类器的参数），并查看哪些值可为您提供最佳性能。

您可以使用GridSearchCV和Pipeline对象在sklearn中轻松完成此操作

pipeline = Pipeline([
    ('tfidf', TfidfVectorizer(stop_words=stop_words)),
    ('clf', OneVsRestClassifier(MultinomialNB(
        fit_prior=True, class_prior=None))),
])
parameters = {
    'tfidf__max_df': (0.25, 0.5, 0.75),
    'tfidf__ngram_range': [(1, 1), (1, 2), (1, 3)],
    'clf__estimator__alpha': (1e-2, 1e-3)
}

grid_search_tune = GridSearchCV(pipeline, parameters, cv=2, n_jobs=2, verbose=3)
grid_search_tune.fit(train_x, train_y)

print("Best parameters set:")
print grid_search_tune.best_estimator_.steps