如何在机器学习算法中部署我的功能？

Question

我对 ML 还很陌生，所以我有一个非常初级的问题。如果有人为我澄清一下，我将不胜感激。

假设我有一组标记为负面和正面的推文。我想进行一些情绪分析。

我提取了3个基本特征：

1. 情感图标
2. 感叹号
3. 强度词（非常，真的等）。

我应该如何将这些功能与 SVM 或其他 ML 算法一起使用？

换句话说，我应该如何在 SVM 算法中部署提取的特征？ 我正在使用 python，并且已经知道我应该如何运行 SVM 或其他算法，但是我不知道提取的特征之间的关系以及它们在每个算法中的作用！

根据一些专家的回答，我更新了我的问题：

首先，我想感谢您的时间和有价值的解释。我认为我的问题正在解决……所以按照你所说的，每个 ML 算法可能需要一些向量化的特征，我应该找到一种方法将我的特征表示为向量。我想通过一个基本的例子来解释我从你的解释中得到了什么。

假设我将表情图标（例如 3 个图标）作为一项功能：

1-因此，我应该用一个具有 3 个值的向量来表示这个特征。

2-矢量化特征可以以这种方式初始化：[0,0,0]（每个值代表一个图标 = :) 和 :( 和 :P ）。

3-接下来我应该浏览每条推文并检查推文是否有图标。例如 [2,1,0] 表明该推文有：:) 2 次，和 :( 1 次，并且 :p 没有时间。

4-检查完所有推文后，我将得到一个大小为 n*3 的大向量（n 是我推文的总数）。

其他功能应完成 5-Stages 1-4。

6-然后我应该使用 m 个 SVM 模型（m 是我的特征的数量）合并所有这些特征，然后通过多数投票或其他方法进行分类。 或者应该通过连接所有向量来创建一个长向量，并将其提供给 SVM。

如果有任何误解，请纠正我吗？如果不正确，我将删除它，否则我应该让它保留，因为它对于像我这样的初学者都很实用...... 非常感谢……

Answer 1

基本上，为了让事情非常“简单”和“浅”，所有算法都采用某种数字向量来表示特征

真正的工作是找到如何将特征表示为产生最佳结果的向量，这取决于特征本身和使用的算法

例如，要使用基本上找到分离平面的 SVM，您需要将特征投影到一些产生足够好的分离度的向量集上，例如，您可以像这样对待您的特征：

• 情感图标 - 创建一个代表该推文中所有图标的向量，将每个图标定义为从1 到n 的索引，因此推文由[0,0,0,2,1] 表示表示第 4 和第 5 个图标分别出现在他的身体 2 和 1 次

• 感叹号 - 您可以简单地计算出现次数（更好的方法是表示有关它的更多信息，例如句子中的位置等......）

• 强度词 - 您可以使用与情感图标

相同的方法

基本上每个特征都可以在SVM模型中单独使用来区分好坏

您可以使用 3 个 SVM 模型合并所有这些特征，然后通过多数投票或其他方法进行分类

或

您可以通过连接所有向量来创建一个长向量，并将其提供给 SVM

这只是一种方法，您可以对其进行调整或使用其他方法来更好地适应您的数据、模型和目标