希望有人在这里花时间，
我的方法是这样的：TFIDF -> LDA -> SVM
我正在使用 LDA 来提取主题。我想做主题建模并将主题用作特征来进行文档分类。
我知道我必须将特征向量发送到 SVM，但我的问题是如何使这个特征向量发送到 svm？这里的 featureValue 是分配给每个单词的概率吗？我的问题是下面链接中的第 3 步，我不知道该怎么做
但是在这个链接中没有实现，这只是解释。
非常感谢您的时间:)
在 python 中的 LDA 上应用 SVM
数据挖掘
机器学习
文本挖掘
支持向量机
主题模型
低密度脂蛋白
2022-02-24 05:26:00
1个回答
在您的其他线程中遵循您的代码：
# Use tf (raw term count) features for LDA.
print("Extracting tf features for LDA...")
tf_vectorizer = CountVectorizer(max_df=0.95, min_df=2,
max_features=n_features,
stop_words='english')
t0 = time()
tf = tf_vectorizer.fit_transform(data_samples)
print("done in %0.3fs." % (time() - t0))
print("Topic modelling with LDA...")
lda = LatentDirichletAllocation(n_topics=n_topics, max_iter=5,
learning_method='online',
learning_offset=50.,
random_state=0)
lda_x = lda.fit_transform(tf)
# so lda_x is your doc-topic distribution that you can use for feature vector to your SVM model.
# lda.components_ is your topic-word distribution.
希望这可以帮助！
其它你可能感兴趣的问题