带有 HashingVectorizer 和 TfidfTransformer 的 SGDClassifier答案

【问题标题】：SGDClassifier with HashingVectorizer and TfidfTransformer带有 HashingVectorizer 和 TfidfTransformer 的 SGDClassifier
【发布时间】：2014-10-09 05:04:53
【问题描述】：

我想了解是否可以使用 HashingVectorizer 和 TfidfTransformer 训练在线 SGDClassifier（使用 partial_fit）。简单地将它们加入管道是行不通的，因为 TfidfTransformer 是有状态的，因此会破坏在线学习过程。 This post 说不可能以在线方式使用 tf-idf，但对 this post 的评论表明它可能以某种方式成为可能：“特别是如果您使用有状态转换器作为 TfidfTransformer，您将需要做几个传递您的数据”。如果不将整个训练集加载到内存中，这可能吗？如果是这样，怎么做？如果没有，是否有在大型数据集上将 HashingVectorizer 与 tf-idf 结合的替代解决方案？

【问题讨论】：

标签： python-2.7 scikit-learn tf-idf

【解决方案1】：

如果不将整个训练集加载到内存中，这可能吗？

没有。 TfidfTransformer 需要在内存中有整个 X 矩阵。您需要滚动自己的 tf-idf 估计器，使用它在一次遍历数据中计算每个词条的文档频率，然后再进行一次遍历以生成 tf-idf 特征并为它们拟合分类器。

【讨论】：