python - sklearn 分解顶级项

Question

有没有一种方法可以在分解数据时确定每个集群的主要特征/术语？

在 sklearn 文档的示例中，通过对特征进行排序并与向量化器 feature_names 进行比较来提取排名靠前的术语，两者具有相同数量的特征。

http://scikit-learn.org/stable/auto_examples/document_classification_20newsgroups.html

我想知道如何实现 get_top_terms_per_cluster():

X = vectorizer.fit_transform(dataset)  # with m features
X = lsa.fit_transform(X)  # reduce number of features to m'
k_means.fit(X)
get_top_terms_per_cluster()  # out of m features

Answer 1

假设 lsa = TruncatedSVD(n_components=k) 对于某些 k，获得项权重的明显方法利用 LSA/SVD 是线性变换这一事实，即 lsa.components_ 的每一行都是输入项的加权和，您可以将其与 k-means 的聚类质心相乘。

让我们设置一些东西并训练一些模型:

>>> from sklearn.datasets import fetch_20newsgroups
>>> from sklearn.feature_extraction.text import TfidfVectorizer
>>> from sklearn.cluster import KMeans
>>> from sklearn.decomposition import TruncatedSVD
>>> data = fetch_20newsgroups()
>>> vectorizer = TfidfVectorizer(min_df=3, max_df=.95, stop_words='english')
>>> lsa = TruncatedSVD(n_components=10)
>>> km = KMeans(n_clusters=3)
>>> X = vectorizer.fit_transform(data.data)
>>> X_lsa = lsa.fit_transform(X)
>>> km.fit(X_lsa)

现在将 LSA 分量与 k 均值质心相乘:

>>> X.shape
(11314, 38865)
>>> lsa.components_.shape
(10, 38865)
>>> km.cluster_centers_.shape
(3, 10)
>>> weights = np.dot(km.cluster_centers_, lsa.components_)
>>> weights.shape
(3, 38865)

然后打印；由于 LSA 中的符号不​​确定性，我们需要权重的绝对值:

>>> features = vectorizer.get_feature_names()
>>> weights = np.abs(weights)
>>> for i in range(km.n_clusters):
...     top5 = np.argsort(weights[i])[-5:]
...     print(zip([features[j] for j in top5], weights[i, top5]))
...     
[(u'escrow', 0.042965734662740895), (u'chip', 0.07227072329320372), (u'encryption', 0.074855609122467345), (u'clipper', 0.075661844826553887), (u'key', 0.095064798549230306)]
[(u'posting', 0.012893125486957332), (u'article', 0.013105911161236845), (u'university', 0.0131617377000081), (u'com', 0.023016036009601809), (u'edu', 0.034532489348082958)]
[(u'don', 0.02087448155525683), (u'com', 0.024327099321009758), (u'people', 0.033365757270264217), (u'edu', 0.036318114826463417), (u'god', 0.042203130080860719)]

请注意，您确实需要停用词过滤器才能使其正常工作。停用词往往会出现在每个单独的组件中，并在每个聚类质心中获得很高的权重。