LatentDirichletAllocation#
- class sklearn.decomposition.LatentDirichletAllocation(n_components=10, *, doc_topic_prior=None, topic_word_prior=None, learning_method='batch', learning_decay=0.7, learning_offset=10.0, max_iter=10, batch_size=128, evaluate_every=-1, total_samples=1000000.0, perp_tol=0.1, mean_change_tol=0.001, max_doc_update_iter=100, n_jobs=None, verbose=0, random_state=None)[source]#
使用在线变分贝叶斯算法的潜在狄利克雷分配(Latent Dirichlet Allocation)。
0.17 版本新增。
更多信息请参阅用户指南。
- 参数:
- n_componentsint, 默认为 10
主题数量。
0.19 版本有所更改:
n_topics
已重命名为n_components
- doc_topic_priorfloat, 默认为 None
文档主题分布
theta
的先验。如果值为 None,则默认为1 / n_components
。在 [1] 中,这被称为alpha
。- topic_word_priorfloat, 默认为 None
主题词分布
beta
的先验。如果值为 None,则默认为1 / n_components
。在 [1] 中,这被称为eta
。- learning_method{‘batch’, ‘online’}, 默认为 ‘batch’
用于更新
_component
的方法。仅在fit
方法中使用。通常,如果数据量较大,在线更新会比批量更新快得多。有效选项
‘batch’:批量变分贝叶斯方法。在每次 EM 更新中使用所有训练数据。旧的
components_
将在每次迭代中被覆盖。‘online’:在线变分贝叶斯方法。在每次 EM 更新中,使用小批量训练数据增量更新
components_
变量。学习率由learning_decay
和learning_offset
参数控制。
0.20 版本有所更改: 默认的学习方法现在是
"batch"
。- learning_decayfloat, 默认为 0.7
它是控制在线学习方法中学习率的参数。该值应设置在 (0.5, 1.0] 之间,以保证渐近收敛。当值为 0.0 且
batch_size
为n_samples
时,更新方法与批量学习相同。在文献中,这被称为 kappa。- learning_offsetfloat, 默认为 10.0
一个(正)参数,用于降低在线学习中早期迭代的权重。它应大于 1.0。在文献中,这被称为 tau_0。
- max_iterint, 默认为 10
训练数据(即 epoch)的最大遍历次数。它仅影响
fit
方法的行为,而不影响partial_fit
方法。- batch_sizeint, 默认为 128
每次 EM 迭代中使用的文档数量。仅用于在线学习。
- evaluate_everyint, 默认为 -1
评估困惑度(perplexity)的频率。仅在
fit
方法中使用。将其设置为 0 或负数表示在训练中完全不评估困惑度。评估困惑度可以帮助您检查训练过程中的收敛性,但也会增加总训练时间。每次迭代都评估困惑度可能会使训练时间增加一倍。- total_samplesint, 默认为 1e6
文档总数。仅在
partial_fit
方法中使用。- perp_tolfloat, 默认为 1e-1
困惑度容差。仅当
evaluate_every
大于 0 时使用。- mean_change_tolfloat, 默认为 1e-3
E 步中更新文档主题分布的停止容差。
- max_doc_update_iterint, 默认为 100
E 步中更新文档主题分布的最大迭代次数。
- n_jobsint, 默认为 None
E 步中使用的作业数量。
None
表示 1,除非在joblib.parallel_backend
上下文中。-1
表示使用所有处理器。有关详细信息,请参阅术语表。- verboseint, 默认为 0
详细程度。
- random_stateint, RandomState 实例或 None, 默认为 None
传入一个整数可在多次函数调用中获得可重现的结果。请参阅术语表。
- 属性:
- components_形状为 (n_components, n_features) 的 ndarray
主题词分布的变分参数。由于主题词分布的完整条件是狄利克雷分布(Dirichlet),
components_[i, j]
可以看作是伪计数(pseudocount),表示词j
被分配给主题i
的次数。归一化后,它也可以看作是每个主题的词分布:model.components_ / model.components_.sum(axis=1)[:, np.newaxis]
。- exp_dirichlet_component_形状为 (n_components, n_features) 的 ndarray
对数主题词分布期望的指数值。在文献中,这是
exp(E[log(beta)])
。- n_batch_iter_int
EM 步的迭代次数。
- n_features_in_int
在 fit 期间看到的特征数量。
0.24 版本新增。
- feature_names_in_形状为 (
n_features_in_
,) 的 ndarray 在 fit 期间看到的特征名称。仅当
X
的所有特征名称均为字符串时定义。1.0 版本新增。
- n_iter_int
数据集的遍历次数。
- bound_float
训练集上的最终困惑度(perplexity)分数。
- doc_topic_prior_float
文档主题分布
theta
的先验。如果值为 None,则为1 / n_components
。- random_state_RandomState 实例
通过种子、随机数生成器或
np.random
生成的 RandomState 实例。- topic_word_prior_float
主题词分布
beta
的先验。如果值为 None,则为1 / n_components
。
另请参阅
sklearn.discriminant_analysis.LinearDiscriminantAnalysis
一种具有线性决策边界的分类器,通过将类条件密度拟合到数据并使用贝叶斯规则生成。
参考文献
[1] (1,2,3)“Online Learning for Latent Dirichlet Allocation”,Matthew D. Hoffman, David M. Blei, Francis Bach, 2010 blei-lab/onlineldavb
[2]“Stochastic Variational Inference”,Matthew D. Hoffman, David M. Blei, Chong Wang, John Paisley, 2013
示例
>>> from sklearn.decomposition import LatentDirichletAllocation >>> from sklearn.datasets import make_multilabel_classification >>> # This produces a feature matrix of token counts, similar to what >>> # CountVectorizer would produce on text. >>> X, _ = make_multilabel_classification(random_state=0) >>> lda = LatentDirichletAllocation(n_components=5, ... random_state=0) >>> lda.fit(X) LatentDirichletAllocation(...) >>> # get topics for some given samples: >>> lda.transform(X[-2:]) array([[0.00360392, 0.25499205, 0.0036211 , 0.64236448, 0.09541846], [0.15297572, 0.00362644, 0.44412786, 0.39568399, 0.003586 ]])
- fit(X, y=None)[source]#
使用变分贝叶斯方法学习数据 X 的模型。
当
learning_method
为 'online' 时,使用小批量更新。否则,使用批量更新。- 参数:
- X{类数组, 稀疏矩阵}, 形状为 (n_samples, n_features)
文档词矩阵。
- y被忽略
未使用,根据 API 约定在此保留。
- 返回:
- self
拟合好的估计器。
- fit_transform(X, y=None, *, normalize=True)[source]#
拟合数据,然后进行转换。
将变换器拟合到
X
和y
,并返回X
的转换版本。- 参数:
- X类数组,形状为 (n_samples, n_features)
输入样本。
- y类数组,形状为 (n_samples,) 或 (n_samples, n_outputs), 默认为 None
目标值(无监督转换时为 None)。
- normalizebool, 默认为 True
是否在
transform
中归一化文档主题分布。
- 返回:
- X_newndarray 数组,形状为 (n_samples, n_components)
转换后的数组。
- get_feature_names_out(input_features=None)[source]#
获取转换后的输出特征名称。
输出特征名称将以小写类名作为前缀。例如,如果变换器输出 3 个特征,则输出特征名称为:
["class_name0", "class_name1", "class_name2"]
。- 参数:
- input_features类字符串数组或 None, 默认为 None
仅用于验证特征名称与
fit
中所见的名称是否一致。
- 返回:
- feature_names_outstr 对象的 ndarray
转换后的特征名称。
- get_metadata_routing()[source]#
获取此对象的元数据路由。
请查看用户指南以了解路由机制的工作原理。
- 返回:
- routingMetadataRequest
一个封装了路由信息的
MetadataRequest
。
- get_params(deep=True)[source]#
获取此估计器的参数。
- 参数:
- deepbool, 默认为 True
如果为 True,将返回此估计器及其包含的作为估计器的子对象的参数。
- 返回:
- paramsdict
参数名称映射到其值。
- partial_fit(X, y=None)[source]#
使用小批量更新的在线变分贝叶斯。
- 参数:
- X{类数组, 稀疏矩阵}, 形状为 (n_samples, n_features)
文档词矩阵。
- y被忽略
未使用,根据 API 约定在此保留。
- 返回:
- self
部分拟合的估计器。
- perplexity(X, sub_sampling=False)[source]#
计算数据 X 的近似困惑度(perplexity)。
困惑度定义为 exp(-1. * 每词对数似然)
0.19 版本有所更改: 参数 doc_topic_distr 已弃用并被忽略,因为用户无法再访问未归一化的分布
- 参数:
- X{类数组, 稀疏矩阵}, 形状为 (n_samples, n_features)
文档词矩阵。
- sub_samplingbool
是否进行子采样。
- 返回:
- scorefloat
困惑度分数。
- score(X, y=None)[source]#
计算近似对数似然作为分数。
- 参数:
- X{类数组, 稀疏矩阵}, 形状为 (n_samples, n_features)
文档词矩阵。
- y被忽略
未使用,根据 API 约定在此保留。
- 返回:
- scorefloat
使用近似边界作为分数。
- set_output(*, transform=None)[source]#
设置输出容器。
有关如何使用此 API 的示例,请参阅set_output API 简介。
- 参数:
- transform{“default”, “pandas”, “polars”}, 默认为 None
配置
transform
和fit_transform
的输出。"default"
:变换器的默认输出格式"pandas"
:DataFrame 输出"polars"
:Polars 输出None
:转换配置保持不变
1.4 版本新增: 添加了
"polars"
选项。
- 返回:
- self估计器实例
估计器实例。
- set_params(**params)[source]#
设置此估计器的参数。
此方法适用于简单的估计器以及嵌套对象(如
Pipeline
)。后者具有<component>__<parameter>
形式的参数,以便可以更新嵌套对象的每个组件。- 参数:
- **paramsdict
估计器参数。
- 返回:
- self估计器实例
估计器实例。
- set_transform_request(*, normalize: bool | None | str = '$UNCHANGED$') LatentDirichletAllocation [source]#
请求传递给
transform
方法的元数据。请注意,此方法仅在
enable_metadata_routing=True
时才相关(请参阅sklearn.set_config
)。请参阅用户指南以了解路由机制的工作原理。每个参数的选项是
True
:请求元数据,如果提供则传递给transform
。如果未提供元数据,则忽略该请求。False
:不请求元数据,并且元估计器不会将其传递给transform
。None
:不请求元数据,如果用户提供元数据,元估计器将引发错误。str
:元数据应以给定的别名(而不是原始名称)传递给元估计器。
默认值 (
sklearn.utils.metadata_routing.UNCHANGED
) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。1.3 版本新增。
注意
此方法仅在此估计器用作元估计器的子估计器时才相关,例如在
Pipeline
内部使用时。否则,它没有效果。- 参数:
- normalizestr, True, False, 或 None, 默认为 sklearn.utils.metadata_routing.UNCHANGED
transform
方法中normalize
参数的元数据路由。
- 返回:
- self对象
更新后的对象。