我正在训练一个简单的文本分类模型(目前使用 scikit-learn)。要使用我使用的词汇表将我的文档样本转换为字数向量
CountVectorizer(vocabulary=myDictionaryWords).fit_transform(myDocumentsAsArrays)
来自sklearn.feature_extraction.text
。
这非常有效,我随后可以将此字数向量作为特征向量来训练我的分类器。但我不知道如何将这些字数向量逆变换为原始文档。 CountVectorizer
确实有一个函数 inverse_transform(X)
但这只能返回唯一的非零标记。
据我所知,CountVectorizer 没有任何映射回原始文档的实现。
有人知道如何从计数向量化表示中恢复 token 的原始序列吗?是否有 Tensorflow 或任何其他模块可以实现此目的?
最佳答案
CountVectorizer 是“有损”的,即对于文档:
这是惊人程序中的惊人字符串
,它只会存储文档中的单词计数(即字符串 -> 1,惊人 -> 2 等),但会丢失位置信息。
因此,通过反转它,您可以创建一个文档,其中相同的单词重复相同的次数,但它们在文档中的顺序无法追溯。
关于tensorflow - 将字数向量逆变换为原始文档,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45076534/