python 文本向量化后降维度

Python中文本向量化后降维度的常用方法有两种：

1. 主成分分析（PCA）：PCA是一种常用的线性降维方法，可以将高维数据转换为低维数据。在文本向量化中，可以将词袋模型或TF-IDF模型的词向量矩阵作为输入，使用PCA将其降至二维或三维，然后可视化展示。

示例代码：

from sklearn.decomposition import PCA
import numpy as np

# 假设已经将文本向量化为词向量矩阵X
pca = PCA(n_components=2) # 降至二维
X_reduced = pca.fit_transform(X)

# 可视化展示
import matplotlib.pyplot as plt
plt.scatter(X_reduced[:,0], X_reduced[:,1], c=np.array([0,1,2,3,4,5,6,7,8,9])) # 假设有10个类别
plt.show()

2. t-SNE：t-SNE是一种非线性降维方法，可以更好地保留原始数据的局部结构，并且可以发现不同类别之间的边界。在文本向量化中，也可以将词袋模型或TF-IDF模型的词向量矩阵作为输入，使用t-SNE将其降至二维或三维，然后可视化展示。

示例代码：

from sklearn.manifold import TSNE
import numpy as np

# 假设已经将文本向量化为词向量矩阵X
tsne = TSNE(n_components=2) # 降至二维
X_reduced = tsne.fit_transform(X)

# 可视化展示
import matplotlib.pyplot as plt
plt.scatter(X_reduced[:,0], X_reduced[:,1], c=np.array([0,1,2,3,4,5,6,7,8,9])) # 假设有10个类别
plt.show()