语言：python
平台：anaconda+jupyter notebook
语料库：近三百篇英文文献的摘要
首先，# pandas处理csv数据
输出：
文本预处理
#关键词提取和文本向量化包
#导入LDA软件包 狄利克雷分布
#设置主题数量为20
#输出每个主题中前20个关键词
#可视化分析
可视化结果示意：
可以调整的参数：
: 主题的个数,即隐含主题数K,需要调参。K的大小取决于我们对主题划分的需求，比如我们只需要类似区分是动物，植物，还是非生物这样的粗粒度需求，那么K值可以取的很小，个位数即可。如果我们的目标是类似区分不同的动物以及不同的植物，不同的非生物这样的细粒度需求，则K值需要取的很大，比如上千上万,此时要求我们的训练文档数量要非常的多。
: feature的个数，即常用词个数
:即文档主题先验Dirichlet分布θd的参数α,一般如果没有主题分布的先验知识，可以使用默认值1/K。
:即主题词先验Dirichlet分布βk的参数η,一般如果没有主题分布的先验知识，可以使用默认值1/K。
: 即LDA的求解算法，有’batch’和’online’两种选择.batch’即变分推断EM算法，而”online”即在线变分推断EM算法，在”batch”的基础上引入了分步训练，将训练样本分批，逐步一批批的用样本更新主题词分布的算法。默认是”online”,选择了‘online’则我们可以在训练时使用partial_fit函数分布训练。不过在scikit-learn 0.20版本中默认算法会改回到”batch”。建议样本量不大只是用来学习的话用”batch”比较好，这样可以少很多参数要调。而样本太多太大的话，”online”则是首选。
：仅仅在算法使用”online”时有意义，取值最好在(0.5, 1.0]，以保证”online”算法渐进的收敛。主要控制”online”算法的学习率，默认是0.7。一般不用修改这个参数。
：仅仅在算法使用”online”时有意义，取值要大于1。用来减小前面训练样本批次对最终模型的影响。
：EM算法的最大迭代次数。
：仅仅在算法使用”online”时有意义， 即分步训练时每一批文档样本的数量。在使用partial_fit函数时需要。
: 仅仅在算法使用”online”时有意义， 即每次EM算法迭代时使用的文档样本的数量
方法：
1）：利用训练数据训练模型，输入的X为文本词频统计矩阵。
2）：利用训练数据训练模型，并返回训练数据的主题分布。
3）：获取参数
4）：利用小batch数据进行Online方式的模型训练。
5）：计算X数据的approximate perplexity。
6）：计算approximate log-likelihood。
7）：设置参数。
8）：利用已有模型得到语料X中每篇文档的主题分布
版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/rfx/23628.html