Кластеризация текстовых документов с использованием scikit-learn kmeans в Python

Мне нужно реализовать kMeans scikit-learn для кластеризации текстовых документов. Код примера работает нормально, но он принимает данные из 20newsgroups в качестве входных данных. Я хочу использовать тот же код для кластеризации списка документов, как показано ниже:

documents = ["Human machine interface for lab abc computer applications", "A survey of user opinion of computer system response time", "The EPS user interface management system", "System and human system engineering testing of EPS", "Relation of user perceived response time to error measurement", "The generation of random binary unordered trees", "The intersection graph of paths in trees", "Graph minors IV Widths of trees and well quasi ordering", "Graph minors A survey"] 

Какие изменения мне нужно сделать в примере кода kMeans, чтобы использовать этот список в качестве входных данных? (Простое взятие «dataset = documents» не работает)

2 Solutions collect form web for “Кластеризация текстовых документов с использованием scikit-learn kmeans в Python”

Это более простой пример:

 from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.cluster import KMeans from sklearn.metrics import adjusted_rand_score documents = ["Human machine interface for lab abc computer applications", "A survey of user opinion of computer system response time", "The EPS user interface management system", "System and human system engineering testing of EPS", "Relation of user perceived response time to error measurement", "The generation of random binary unordered trees", "The intersection graph of paths in trees", "Graph minors IV Widths of trees and well quasi ordering", "Graph minors A survey"] 

векторизовать текст, т.е. преобразовать строки в числовые функции

 vectorizer = TfidfVectorizer(stop_words='english') X = vectorizer.fit_transform(documents) 

кластерные документы

 true_k = 2 model = KMeans(n_clusters=true_k, init='k-means++', max_iter=100, n_init=1) model.fit(X) 

распечатать верхние термины для кластерных кластеров

 print("Top terms per cluster:") order_centroids = model.cluster_centers_.argsort()[:, ::-1] terms = vectorizer.get_feature_names() for i in range(true_k): print "Cluster %d:" % i, for ind in order_centroids[i, :10]: print ' %s' % terms[ind], print 

Если вы хотите получить более наглядное представление о том, как это выглядит, см. Этот ответ .

Эта статья очень полезна для кластеризации документов с использованием K-Means . http://brandonrose.org/clustering .

Для понимания алгоритма вы также можете проверить эту статью https://datasciencelab.wordpress.com/2013/12/12/clustering-with-k-means-in-python/

  • Простой способ использования параллельных функций scikit-learn на HPC
  • Каковы различные варианты использования joblib против рассола?
  • ValueError: массив не должен содержать inf или NaN во время Biclustering
  • Стратифицированный поезд / тест-раскол в scikit-learn
  • TypeError: только целые массивы с одним элементом могут быть преобразованы в индекс
  • Эффективная агломерационная кластерная память с привязкой в ​​Python
  • scikit-learn install failure / numpy not found / missing numpy headers
  • Создание кривой ROC с использованием python для многоклассификации
  • python scikit-learn кластеризация с отсутствующими данными
  • Как вычислить меру F1 в классификации с несколькими метками?
  • Разница между использованием train_test_split и cross_val_score в sklearn.cross_validation
  • Python - лучший язык программирования в мире.