草庐IT

关于 r：为什么 LDA 预测不正确

codeneng 2023-03-28 原文

Why are LDA predictions incorrect

步骤1

我正在使用 R 和"topicmodels"包从 4.5k 文档语料库构建 LDA 模型。我做了通常的预处理步骤(停用词、削减低/高词频、词形还原)，最终得到一个我很满意的 100 个主题模型。事实上，它几乎是满足我需求的完美模型。

1
justlda <- LDA(k=100, x=dtm_lemma, method="Gibbs", control=control_list_gibbs)

第2步

然后我使用与上述相同的过程对一个新的(模型不可见的)300 个文档语料库进行预处理，然后将其转换为文档术语矩阵，然后使用同一包的"后验"函数进行预测关于新数据的主题。该语料库来自同一作者，与训练集非常相似。

我的问题

我得到的预测(后验概率)是完全错误的。
这是我用来获取后验的代码：

1
topics = posterior(justlda, dtm_lemma, control = control_list_gibbs)$topics
  • justlda 是在步骤 1 中使用整个语料库构建的模型。
  • dtm_lemma 是新数据的预处理文档术语矩阵。
  • 控制是 lda 参数(两者相同)。

我觉得不仅预测错误，主题权重也很低。没有什么是主导话题。 (对于这 100 个主题模型，大多数主题都是 0.08，我很幸运得到一个甚至不相关的 0.20 权重......)

我在 NLP/LDA 和 R 语言方面获得了不到一年的经验。我觉得我可能在某个可以解释错误预测的地方犯了一个非常业余的错误？

这样的结果正常吗？我可能做错了什么？

我不是 100% 确定您所说的"错误"是什么意思。我做了一个快速测试，看看 posterior 是否适用于新数据。首先，我使用 AssociatedPress 数据集的所有文档运行一个模型：

1
2
3
library(topicmodels)
data("AssociatedPress")
ap_lda <- LDA(AssociatedPress, k = 5, control = list(seed = 1234))

根据您的问题，我怀疑您正在查看此处每个文档最可能的主题。为了保持可比性，我建立了自己的方式来在这里找到这些，基于一些整洁的包：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
library(tidytext)
library(dplyr)
library(tidyr)
ap_documents <- tidy(ap_lda, matrix ="gamma")
ap_documents %>%
  group_by(document) %>%
  top_n(1, gamma) %>% # keep only most likely topic
  arrange(document)
# A tibble: 2,246 x 3
# Groups:   document [2,246]
   document topic gamma
      <int> <int> <dbl>
 1        1     4 0.999
 2        2     2 0.529
 3        3     4 0.999
 4        4     4 0.518
 5        5     4 0.995
 6        6     2 0.971
 7        7     1 0.728
 8        8     2 0.941
 9        9     4 0.477
10       10     5 0.500
# ... with 2,236 more rows

现在我再次运行相同的 LDA，但保留前 10 个文档：

1
2
3
4
AssociatedPress_train <- AssociatedPress[11:nrow(AssociatedPress), ]
AssociatedPress_test <- AssociatedPress[1:10, ]

ap_lda <- LDA(AssociatedPress_train, k = 5, control = list(seed = 1234))

我使用 posterior 来获取每个文档的 gamma 值，并再次保留最有可能的值：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
posterior(object = ap_lda, newdata = AssociatedPress_test)$topics %>%
  as_tibble() %>%
  mutate(document = seq_len(nrow(.))) %>%
  gather(topic, gamma, -document) %>%
  group_by(document) %>%
  top_n(1, gamma) %>% # keep only most probable topic
  arrange(document)
# A tibble: 10 x 3
# Groups:   document [10]
   document topic gamma
      <int> <chr> <dbl>
 1        1 4     0.898
 2        2 2     0.497
 3        3 4     0.896
 4        4 4     0.468
 5        5 4     0.870
 6        6 2     0.754
 7        7 1     0.509
 8        8 2     0.913
 9        9 4     0.476
10       10 2     0.399

除了文档 10 之外的所有文档都具有与以前相同的最可能主题。所以一切似乎都很好！所以我没有看到你的代码有直接的问题。

我没有测试过的一件事是，如果训练集和测试集的 DTM 具有不同的列，会发生什么情况。我怀疑这会是个问题。

这里有一个简单的例子来说明你如何处理这个问题：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
text1 <- tibble(doc = 1, word = LETTERS[1:10])
text2 <- tibble(doc = 1, word = LETTERS[2:11])
dtm1 <- text1 %>%
  count(doc, word) %>%
  arrange(word) %>%
  cast_dtm(doc, word, n)

dtm2 <- text2 %>%
  count(doc, word) %>%
  arrange(word) %>%
  cast_dtm(doc, word, n)

all.equal(dtm1$dimnames$Terms, dtm2$dimnames$Terms)
[1]"10 string mismatches"

我制作了两个 DTM，其中第二个有一个额外的术语，而另一个缺少一个术语。因此，dimnames 是不同的。我们可以通过将 DTM 恢复为整洁的格式来使它们相等，删除多余的术语并在再次转换 DTM 之前添加缺失的术语：

1
2
3
4
5
6
7
8
9
10
dtm2_clean <- tidy(dtm2) %>%
  filter(term %in% dtm1$dimnames$Terms) %>%
  rbind(tibble(document = 1,
               term = dtm1$dimnames$Terms, # adding term but no counts
               count = 0)) %>%
  arrange(term) %>%
  cast_dtm(document, term, count)

all.equal(dtm1$dimnames$Terms, dtm2_clean$dimnames$Terms)
[1] TRUE

您现在可以将其用作后验的新数据。

  • 谢谢您的回答。您正在确认我正在以正确的方式进行。从你的最后一行开始，我开始觉得预处理代码可能是错误的。我已经在问题中添加了所有内容。
  • 我认为目标与您最初的问题已经发生了很大变化。你是新来的，所以你可能不明白这被认为是不好的风格。我已经投入工作，不想完全重新考虑你的问题(我也没有时间)。我为我认为最有可能遇到的问题添加了一些代码(训练和测试 DTM 中的不同术语)。另外，请注意，我在投射 DTM 之前安排了术语，因此它们都按字母顺序排列。
  • DTM 没有被平等地创建似乎可以解释我的问题。我接受了你的回答。很抱歉移动了问题的门柱，我会牢记这一点。他们应该添加一个按钮来向助手发送一瓶酒。你应得的！
  • 哈哈不用担心。很高兴我能帮上忙！

不正LDAnbspsectionbrldanlprtopic-modelingtopicmodels

有关关于 r：为什么 LDA 预测不正确的更多相关文章

  1. ruby - 为什么我可以在 Ruby 中使用 Object#send 访问私有(private)/ protected 方法？ - 2

    类classAprivatedeffooputs:fooendpublicdefbarputs:barendprivatedefzimputs:zimendprotecteddefdibputs:dibendendA的实例a=A.new测试a.foorescueputs:faila.barrescueputs:faila.zimrescueputs:faila.dibrescueputs:faila.gazrescueputs:fail测试输出failbarfailfailfail.发送测试[:foo,:bar,:zim,:dib,:gaz].each{|m|a.send(m)resc

  2. ruby-on-rails - Rails - 子类化模型的设计模式是什么？ - 2

    我有一个模型:classItem项目有一个属性“商店”基于存储的值，我希望Item对象对特定方法具有不同的行为。Rails中是否有针对此的通用设计模式？如果方法中没有大的if-else语句，这是如何干净利落地完成的？ 最佳答案 通常通过Single-TableInheritance. 关于ruby-on-rails-Rails-子类化模型的设计模式是什么？，我们在StackOverflow上找到一个类似的问题： https://stackoverflow.co

  3. ruby - 什么是填充的 Base64 编码字符串以及如何在 ruby​​ 中生成它们？ - 2

    我正在使用的第三方API的文档状态:"[O]urAPIonlyacceptspaddedBase64encodedstrings."什么是“填充的Base64编码字符串”以及如何在Ruby中生成它们。下面的代码是我第一次尝试创建转换为Base64的JSON格式数据。xa=Base64.encode64(a.to_json) 最佳答案 他们说的padding其实就是Base64本身的一部分。它是末尾的“=”和“==”。Base64将3个字节的数据包编码为4个编码字符。所以如果你的输入数据有长度n和n%3=1=>"=="末尾用于填充n%

  4. ruby - 解析 RDFa、微数据等的最佳方式是什么，使用统一的模式/词汇(例如 schema.org)存储和显示信息 - 2

    我主要使用Ruby来执行此操作，但到目前为止我的攻击计划如下:使用gemsrdf、rdf-rdfa和rdf-microdata或mida来解析给定任何URI的数据。我认为最好映射到像schema.org这样的统一模式，例如使用这个yaml文件，它试图描述数据词汇表和opengraph到schema.org之间的转换:#SchemaXtoschema.orgconversion#data-vocabularyDV:name:namestreet-address:streetAddressregion:addressRegionlocality:addressLocalityphoto:i

  5. ruby - 为什么 4.1%2 使用 Ruby 返回 0.0999999999999996？但是 4.2%2==0.2 - 2

    为什么4.1%2返回0.0999999999999996？但是4.2%2==0.2。 最佳答案 参见此处:WhatEveryProgrammerShouldKnowAboutFloating-PointArithmetic实数是无限的。计算机使用的位数有限(今天是32位、64位)。因此计算机进行的浮点运算不能代表所有的实数。0.1是这些数字之一。请注意，这不是与Ruby相关的问题，而是与所有编程语言相关的问题，因为它来自计算机表示实数的方式。 关于ruby-为什么4.1%2使用Ruby返

  6. ruby-on-rails - 如何使用 instance_variable_set 正确设置实例变量？ - 2

    我正在查看instance_variable_set的文档并看到给出的示例代码是这样做的:obj.instance_variable_set(:@instnc_var,"valuefortheinstancevariable")然后允许您在类的任何实例方法中以@instnc_var的形式访问该变量。我想知道为什么在@instnc_var之前需要一个冒号:。冒号有什么作用？ 最佳答案 我的第一直觉是告诉你不要使用instance_variable_set除非你真的知道你用它做什么。它本质上是一种元编程工具或绕过实例变量可见性的黑客攻击

  7. ruby - ruby 中的 TOPLEVEL_BINDING 是什么？ - 2

    它不等于主线程的binding，这个toplevel作用域是什么？此作用域与主线程中的binding有何不同？>ruby-e'putsTOPLEVEL_BINDING===binding'false 最佳答案 事实是，TOPLEVEL_BINDING始终引用Binding的预定义全局实例，而Kernel#binding创建的新实例>Binding每次封装当前执行上下文。在顶层，它们都包含相同的绑定(bind)，但它们不是同一个对象，您无法使用==或===测试它们的绑定(bind)相等性。putsTOPLEVEL_BINDINGput

  8. ruby - Infinity 和 NaN 的类型是什么？ - 2

    我可以得到Infinity和NaNn=9.0/0#=>Infinityn.class#=>Floatm=0/0.0#=>NaNm.class#=>Float但是当我想直接访问Infinity或NaN时:Infinity#=>uninitializedconstantInfinity(NameError)NaN#=>uninitializedconstantNaN(NameError)什么是Infinity和NaN？它们是对象、关键字还是其他东西？ 最佳答案 您看到打印为Infinity和NaN的只是Float类的两个特殊实例的字符串

  9. ruby-on-rails - 如果 Object::try 被发送到一个 nil 对象，为什么它会起作用？ - 2

    如果您尝试在Ruby中的nil对象上调用方法，则会出现NoMethodError异常并显示消息:"undefinedmethod‘...’fornil:NilClass"然而，有一个tryRails中的方法，如果它被发送到一个nil对象，它只返回nil:require'rubygems'require'active_support/all'nil.try(:nonexisting_method)#noNoMethodErrorexceptionanymore那么try如何在内部工作以防止该异常？ 最佳答案 像Ruby中的所有其他对象

  10. ruby - 为什么 SecureRandom.uuid 创建一个唯一的字符串？ - 2

    关闭。这个问题需要detailsorclarity.它目前不接受答案。想改进这个问题吗？通过editingthispost添加细节并澄清问题.关闭8年前。Improvethisquestion为什么SecureRandom.uuid创建一个唯一的字符串？SecureRandom.uuid#=>"35cb4e30-54e1-49f9-b5ce-4134799eb2c0"SecureRandom.uuid方法创建的字符串从不重复？

随机推荐