如何减少文本分类中的特征数量?
How to reduce the number of features in text classification?
我正在做方言文本分类,我正在使用带有朴素贝叶斯的 countVectorizer。特征的数量太多了,我收集了 4 种方言的 20k 条推文。每种方言都有 5000 条推文。特征总数为 43K。我在想也许这就是为什么我会过度拟合的原因。因为我在新数据上测试的时候准确率下降了很多。那么如何确定特征的数量以避免过度拟合数据呢?
你可以将参数max_features设置为5000,例如,它可能有助于防止过拟合。您还可以修改 max_df(例如将其设置为 0.95)
测试数据下降的原因是curse of dimensionality. You can use some dimensionality reduction method to reduce this effect. Possible choice is Latent Semantic Analysis implemented in sklearn。
我正在做方言文本分类,我正在使用带有朴素贝叶斯的 countVectorizer。特征的数量太多了,我收集了 4 种方言的 20k 条推文。每种方言都有 5000 条推文。特征总数为 43K。我在想也许这就是为什么我会过度拟合的原因。因为我在新数据上测试的时候准确率下降了很多。那么如何确定特征的数量以避免过度拟合数据呢?
你可以将参数max_features设置为5000,例如,它可能有助于防止过拟合。您还可以修改 max_df(例如将其设置为 0.95)
测试数据下降的原因是curse of dimensionality. You can use some dimensionality reduction method to reduce this effect. Possible choice is Latent Semantic Analysis implemented in sklearn。