使用sklearn tf-idf查找矢量化文本文檔中的簇數

Question

我正在嘗試使用sklearn tf-idf和k-means聚集對話框。 我使用輪廓分數計算了最佳聚類數，但它幾乎呈線性增加。 那么，還有其他方法嗎，或者我做錯了什么？

碼：

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

根本的問題要嚴重得多，並且沒有簡單的解決方案：

K均值對異常值非常敏感。 但是在典型的文本數據中，有很多離群值。 大多數文檔都以一種或另一種不同的方式出現。 因此，“最佳”解決方案是將所有非重復的點放在它們自己的群集中，即，使用一個非常大的k。 除非您處於非常理想的場景（例如20newsgroups），否則這不僅會大大增加運行時間，而且還會使結果幾乎毫無用處。

因此，請使用在這種情況下效果更好的主題建模或類似算法。 但是我對替代群集沒有任何建議。 沒有無休止的參數選擇，似乎沒有一種方法能很好地發揮作用，具有普遍的用途。