在CountVectorizer变为（40845 X 218904）后，我遇到了一个只有2个类和训练数据集矩阵大小的文档分类问题。我想知道当min_df必须是介于0和1之间的浮点值时，如何删除最不频繁的4个单词/特征。通过将min_df值修改为4，我甚至获得了良好的精度和F1结果；但是我无法解释到底发生了什么。我在6GB的机器上使用python-sklearn（scikit-learn）包。
都在文档中，但无论如何：
- 如果min_df是介于0和1之间的浮点值，则将其解释为一个比例：所有频率低于文档中该比例的单词都将被忽略
- 如果min_df是int，则将其解释为计数：所有出现频率低于此计数的单词都将被忽略