使用sklearn tf-idf查找矢量化文本文档中的簇数

Question

我正在尝试使用sklearn tf-idf和k-means聚集对话框。 我使用轮廓分数计算了最佳聚类数，但它几乎呈线性增加。 那么，还有其他方法吗，或者我做错了什么？

码：

tfidfV = TfidfVectorizer(max_features = 40000, ngram_range = ( 1, 3 ), sublinear_tf = True)
...
X = tfidfV.fit_transform(docm2)
...
for numb in nn:
    km = KMeans(n_clusters=numb)
    clabels = km.fit_predict(X)
    silhouette_avg = silhouette_score(X, clabels)
    print("For n_clusters = ", numb, "The average silhouette_score is: ", silhouette_avg)

Answer 1

根本的问题要严重得多，并且没有简单的解决方案：

K均值对异常值非常敏感。 但是在典型的文本数据中，有很多离群值。 大多数文档都以一种或另一种不同的方式出现。 因此，“最佳”解决方案是将所有非重复的点放在它们自己的群集中，即，使用一个非常大的k。 除非您处于非常理想的场景（例如20newsgroups），否则这不仅会大大增加运行时间，而且还会使结果几乎毫无用处。

因此，请使用在这种情况下效果更好的主题建模或类似算法。 但是我对替代群集没有任何建议。 没有无休止的参数选择，似乎没有一种方法能很好地发挥作用，具有普遍的用途。