如何缩小词袋模型？答案

【问题标题】：How to shrink a bag-of-words model?如何缩小词袋模型？
【发布时间】：2020-01-31 12:29:14
【问题描述】：

问题标题说明了一切：如何使词袋模型更小？我使用随机森林和词袋特征集。我的模型大小达到 30 GB，我确信特征集中的大多数单词对整体性能没有贡献。

如何在不损失（太多）性能的情况下缩小大词袋模型？

【问题讨论】：

标签： scikit-learn nlp classification random-forest text-classification

【解决方案1】：

如果您不想更改神经网络的架构而只是想减少内存占用，可以进行的调整是减少 CountVectorizer 注释的术语。从scikit-learn 文档中，我们（至少）有三个参数来减少词汇量。

max_df : 在 [0.0, 1.0] 或 int 范围内浮动，默认 = 1.0

在构建词汇表时，忽略文档频率严格高于给定阈值的术语（特定于语料库的停用词）。如果是float，参数代表文档的比例，整数绝对计数。如果词汇表不是 None，则忽略此参数。

min_df : 在 [0.0, 1.0] 或 int 范围内浮动，默认 = 1

在构建词汇表时，忽略文档频率严格低于给定阈值的术语。该值在文献中也称为截止值。如果是float，参数代表文档的比例，整数绝对计数。如果词汇表不是 None，则忽略此参数。

max_features : int 或 None，默认=None

如果不是 None，则构建一个仅考虑按语料库中的词频排序的最高 max_features 的词汇表。如果词汇表不是 None，则忽略此参数。

首先，尝试使用 max_df 和 min_df。如果尺寸仍然不符合您的要求，您可以使用 max_features 随意降低尺寸。

注意：
max_features 调整可以比其他参数以更高的比率降低分类准确度

【讨论】：

【解决方案2】：

使用特征选择。特征选择使用一些评分函数，根据它们相对于标签的分布从数据集中删除特征。

例如，很少出现或随所有标签随机出现的特征不太可能有助于准确分类，并且得分较低。

这是一个使用sklearn的示例：

from sklearn.feature_selection import SelectPercentile

# Assume some matrix X and labels y
# 10 means only include the 10% best features
selector = SelectPercentile(percentile=10)

# A feature space with only 10% of the features
X_new = selector.fit_transform(X, y)

# See the scores for all features
selector.scores

与往常一样，请务必仅对您的训练数据调用 fit_transform。使用开发或测试数据时，仅使用transform。有关其他文档，请参阅 here。

请注意，还有一个 SelectKBest，它的作用相同，但它允许您指定要保留的特征的绝对数量，而不是百分比。

【讨论】：