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)

使用在线变分贝叶斯算法的潜在狄利克雷分配（Latent Dirichlet Allocation）。

该实现基于 [1] 和 [2]。

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)

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)

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)

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()

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)

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)

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)

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)

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)

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)

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

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。

transform(X, *, normalize=True)

根据拟合的模型转换数据 X。

0.18 版本有所更改: doc_topic_distr 现在已归一化。

参数:

X{类数组, 稀疏矩阵}, 形状为 (n_samples, n_features)

文档词矩阵。

normalizebool, 默认为 True

是否归一化文档主题分布。

返回:

doc_topic_distr形状为 (n_samples, n_components) 的 ndarray

X 的文档主题分布。

图库示例

使用非负矩阵分解和潜在狄利克雷分配进行主题提取

使用非负矩阵分解和潜在狄利克雷分配进行主题提取