我有一个文档列表和整个语料库中每个唯一单词的tf-idf分数。如何在 2-D 图上可视化它，以便为我提供运行 k 均值所需的聚类数的度量？
这是我的代码：
sentence_list=["Hi how are you", "Good morning" ...]
vectorizer=TfidfVectorizer(min_df=1, stop_words='english', decode_error='ignore')
vectorized=vectorizer.fit_transform(sentence_list)
num_samples, num_features=vectorized.shape
print "num_samples: %d, num_features: %d" %(num_samples,num_features)
num_clusters=10
如您所见，我能够将我的句子转换为 tf-idf 文档矩阵。但我不确定如何绘制 tf-idf 分数的数据点。
我在想：
- 添加更多变量，如文档长度和其他变量
- 执行 PCA 以获得 2 维输出
谢谢
我现在正在做类似的事情，试图用 2D 的 tf-idf 分数绘制文本数据集。我的方法，类似于其他评论中的建议，是使用scikit-learn的PCA和t-SNE。
import matplotlib.pyplot as plt
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA
from sklearn.manifold import TSNE
num_clusters = 10
num_seeds = 10
max_iterations = 300
labels_color_map = {
0: '#20b2aa', 1: '#ff7373', 2: '#ffe4e1', 3: '#005073', 4: '#4d0404',
5: '#ccc0ba', 6: '#4700f9', 7: '#f6f900', 8: '#00f91d', 9: '#da8c49'
}
pca_num_components = 2
tsne_num_components = 2
# texts_list = some array of strings for which TF-IDF is being computed
# calculate tf-idf of texts
tf_idf_vectorizer = TfidfVectorizer(analyzer="word", use_idf=True, smooth_idf=True, ngram_range=(2, 3))
tf_idf_matrix = tf_idf_vectorizer.fit_transform(texts_list)
# create k-means model with custom config
clustering_model = KMeans(
n_clusters=num_clusters,
max_iter=max_iterations,
precompute_distances="auto",
n_jobs=-1
)
labels = clustering_model.fit_predict(tf_idf_matrix)
# print labels
X = tf_idf_matrix.todense()
# ----------------------------------------------------------------------------------------------------------------------
reduced_data = PCA(n_components=pca_num_components).fit_transform(X)
# print reduced_data
fig, ax = plt.subplots()
for index, instance in enumerate(reduced_data):
# print instance, index, labels[index]
pca_comp_1, pca_comp_2 = reduced_data[index]
color = labels_color_map[labels[index]]
ax.scatter(pca_comp_1, pca_comp_2, c=color)
plt.show()
# t-SNE plot
embeddings = TSNE(n_components=tsne_num_components)
Y = embeddings.fit_transform(X)
plt.scatter(Y[:, 0], Y[:, 1], cmap=plt.cm.Spectral)
plt.show()
PCA是一种方法。对于TF-IDF，我还使用了Scikit Learn的歧管包进行非线性降维。我觉得有帮助的一件事是根据 TF-IDF 分数标记我的分数。
下面是一个示例（需要在开头插入 TF-IDF 实现）：
from sklearn import manifold
# Insert your TF-IDF vectorizing here
##
# Do the dimension reduction
##
k = 10 # number of nearest neighbors to consider
d = 2 # dimensionality
pos = manifold.Isomap(k, d, eigen_solver='auto').fit_transform(.toarray())
##
# Get meaningful "cluster" labels
##
#Semantic labeling of cluster. Apply a label if the clusters max TF-IDF is in the 99% quantile of the whole corpus of TF-IDF scores
labels = vectorizer.get_feature_names() #text labels of features
clusterLabels = []
t99 = scipy.stats.mstats.mquantiles(X.data, [ 0.99])[0]
clusterLabels = []
for i in range(0,vectorized.shape[0]):
row = vectorized.getrow(i)
if row.max() >= t99:
arrayIndex = numpy.where(row.data == row.max())[0][0]
clusterLabels.append(labels[row.indices[arrayIndex]])
else:
clusterLabels.append('')
##
# Plot the dimension reduced data
##
pyplot.xlabel('reduced dimension-1')
pyplot.ylabel('reduced dimension-2')
for i in range(1, len(pos)):
pyplot.scatter(pos[i][0], pos[i][1], c='cyan')
pyplot.annotate(clusterLabels[i], pos[i], xytext=None, xycoords='data', textcoords='data', arrowprops=None)
pyplot.show()
我想
你正在寻找van der Maaten和Hinton的t-SNE。
该出版物：http://jmlr.org/papers/volume9/vandermaaten08a/vandermaaten08a.pdf
这链接到一个IPython笔记本，用于使用sklearn执行此操作。
简而言之，t-SNE类似于PCA，但更擅长在图的2-dim.空间上对高维空间中相关的对象进行分组。
根据您的要求，您可以绘制scipy.sparse.csr.csr_matrix
TfidfVectorizer.fit_transform（） 将为您提供（文档 ID，术语编号）TF-IDF 分数。 现在，您可以按项作为x轴和文档作为Y轴创建Numpy矩阵，第二个选项是绘制（TEMM，TF-TDF分数），或者您可以使用（术语，文档，频率）绘制3-D，在这里您也可以应用PCA。
只需从scipy.sparse.csr.csr_matrix创建一个numpy矩阵并使用matplotlib。