Кластеризация текстовых документов с использованием scikit-learn kmeans в Python

Мне нужно реализовать scikit-learn kMeans для кластеризации текстовых документов. пример кода отлично работает, но он принимает в качестве входных данных около 20newsgroups. 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 пример кода kMeans, чтобы использовать этот список в качестве входных данных? (Простое взятие "dataset = documents" не работает)

Ответы

Ответ 1

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"]

векторизация текста i.e. преобразование строк в числовые функции

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

документы кластера

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

печатать 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.