python – 当我们只提供单个单词的向量时,kmeans如何知道如何对文档进行聚类？ -清零世界

概述

sentence_list=['hello how are you',"I am doing great","my name is abc"]

vectorizer=TfidfVectorizer(min_df=1,max_df=0.9,stop_words='english',decode_error='ignore')
vectorized=vectorizer.fit_transform(sentence_list)

km=KMeans(n_clusters=num_clusters,init='k-means++',n_init=10,verbose=1)
km.fit(vectorized)

当我打印矢量化的输出时,它给出了单词的索引和索引的tf-idf分数.

所以我很想知道,鉴于我们只获得了tfidf的单词分数,我们如何根据单个单词而不是整个文档的分数来管理文档？或许也可以这样做.有人向我解释这背后的概念吗？

sentence_list=["word1","word2","word2 word3"]

让我们说你想要2个集群.在这种情况下,您希望第二个和第三个文档位于同一个集群中,因为它们共享一个共同的单词.让我们看看这是如何发生的.

docs矢量化的数字表示如下所示：

word1     word3     word2
    1  0.000000  0.000000     # doc 1
    0  1.000000  0.000000     # doc 2
    0  0.605349  0.795961     # doc 3

在Kmeans的第一步中,从数据中随机选择一些质心,例如,文档1和文档3将是初始质心：

Centroid 1:     [1,0.000000,0.000000]

Centroid 2:     [0,0.605349,0.795961]

现在,如果计算从每个点(文档)到两个质心中的每一个的距离,您将看到：

>文档1的距离为0到质心1,因此它属于质心1
>文档3的距离为0到质心2,因此它属于质心2

最后,我们计算剩余文档2和每个质心之间的距离,以找出它属于哪一个：

>>> from scipy.spatial.distance import euclidean

>>> euclidean([0,1,0],[1,0])               # dist(doc2,centroid1)
1.4142135623730951

>>> euclidean([0,[0,0.795961]) # dist(doc2,centroid2)
0.8884272507056005

因此第二个文档和第二个质心更接近,这意味着第二个文档被分配给第二个质心.

总结

以上是编程之家为你收集整理的python – 当我们只提供单个单词的向量时,kmeans如何知道如何对文档进行聚类？全部内容，希望文章能够帮你解决python – 当我们只提供单个单词的向量时,kmeans如何知道如何对文档进行聚类？所遇到的程序开发问题。

如果您也喜欢它,动动您的小指点个赞吧

python – 当我们只提供单个单词的向量时,kmeans如何知道如何对文档进行聚类？

概述

总结

分类汇总

您的鼓励是对我最大的支持