使用 TF-IDF 测试和训练具有不同数量特征的集

Question

我正在做一个简单的二进制分类，我给你一个我遇到的问题的例子：假设我们有 n 个文档（Doc 1、Doc 2、...、Doc n。）我们将使用 TF-IDF 作为特征值来训练使用词袋的二元分类器。我们的训练文件有 m 个特征（从技术上讲，m 是我们在清理和预处理之后在所有这 n 个文档中拥有的唯一标记的数量）。

现在，假设我们有一个训练有素的模型，我们要预测一个新文档的标签。我们应该首先像处理训练文档一样预处理测试文档。然后，我们应该使用 TF-IDF 为我们的测试文档构建一个特征向量。这里有两个问题：

• 训练集和测试集的特征数量不会相同。我已经阅读了一些解决方案，但是从科学的角度来看，我不能满足！
• 仅针对一个测试文档甚至其中几个文档计算 TF-IDF 并没有真正意义。因为我们在训练集和测试集中拥有的token字典不一定相同，即使我们对这两者有相同数量的特征，也不一定意味着这些特征是相同的。

所以现在我只是想弄清楚如何使用我们用词袋模型和 TF-IDF 值训练的模型准确地标记新文档。特别是，我正在寻找我上面提到的两个具体问题的合理答案。

我们可以计算模型的准确性（例如使用交叉验证），但我不知道我们应该如何标记新文档。

附：我正在使用 scikit-learn 和 python。

更新：我可以找到我的问题的答案。在这种情况下，我们可以简单地使用我们用来训练分类器的相同 TfidfVectorizer。所以现在每次我训练一个新的分类器并使用 tfidfVectorizer 构建我的特征向量时，我都会使用 pickle 将我的向量化器保存在一个文件中，并在创建测试集特征向量时使用这个向量化器。

Answer 1

您应该在训练期间弄清楚所有可能的特征及其 IDF 权重；在测试时，您使用基于训练数据集找到的特征和权重。不要在测试文档上计算 IDF。

1) 使用词袋方法时，常用的方法是丢弃训练期间未见过的词。如果您在训练期间没有看到一个单词，那么您对它的信息为零，因此它不会影响预测结果。

2) 是的，在预测时构建词汇表和计算 IDF 权重是没有意义的。使用在训练阶段找到的特征和权重。

scikit-learn 提供了一个 tutorial 涵盖了这一点。

将 tf*idf 拟合到比训练数据集更大的数据集上可能是有意义的，以便为训练数据中找到的单词获得更精确的 IDF 估计，但我不确定人们这样做的频率。

Answer 2

我无法科学地支持这一点，但您可以尝试使用 m 特征的字典并计算测试集上这些特征的 TF-IDF 分数。这将做的是为每个测试文档创建一个与训练向量大小相同的向量，并与训练模型时使用的相同特征相关联。但是，您必须解决训练集中未出现在测试集中的单词的问题。

我能问一下您为什么使用 TF-IDF 而不是朴素贝叶斯或随机森林之类的东西吗？