在整个数据集上或仅在训练数据上计算 TF-IDF？

Posted 2023-02-23

【中文标题】在整个数据集上或仅在训练数据上计算 TF-IDF？

【英文标题】：Computing TF-IDF on the whole dataset or only on training data?

【发布时间】：2018-05-26 11:31:03

【问题描述】：

在《TensorFlow Machine Learning Cookbook》这本书的第七章中，作者在预处理数据时使用了 scikit-learn 的fit_transform 函数来获取文本的tfidf 特征进行训练。作者将所有文本数据提供给函数，然后将其分为训练和测试。这是一个真正的动作还是我们必须先分离数据，然后在火车上执行fit_transform，在测试上执行transform？

【问题讨论】：

在这种情况下，总是想在现实世界的问题中应该做什么。在那里，您将所有可用数据视为训练，将新的看不见的数据视为测试。现在，由于在这种情况下将无法获得测试数据，您会怎么做。将可用数据拆分为训练和测试的过程是复制相同的。

@Vivek Kumar 是的，实际上你的意思是 fit_transform 对所有数据的方法是不正确的，因为我们没有在实际问题中测试数据。

是的。所以只对训练数据执行 fit() 或 fit_transform()。

【参考方案1】：

根据 scikit-learn 的文档，fit() 用于

从训练集中学习词汇和 idf。

另一方面，fit_transform() 用于

学习词汇和idf，返回词-文档矩阵。

而transform()

将文档转换为文档术语矩阵。

在训练集上，您需要同时应用fit() 和transform()（或者只是本质上加入这两个操作的fit_transform()）但是，在测试集上，您只需要transform() 测试实例（即文件）。

请记住，训练集用于学习目的（通过fit() 实现学习），而测试集用于评估训练后的模型是否可以很好地泛化到新的unseen数据点。

---

更多详情可以参考文章fit() vs transform() vs fit_transform()

【讨论】：

是的，没错，我们不应该在训练中使用测试数据。如果我们在所有数据集上 fit_transform，这意味着我们在训练级别使用测试数据。这两种方式得到的词汇也不同。

【参考方案2】：

作者在分离训练和测试之前给出所有文本数据 功能。这是一个真正的动作还是我们必须先分离数据然后 在训练时执行 tfidf fit_transform 并在测试时执行变换？

我认为这已经将有关测试集的一些信息泄露到了训练集中。

我倾向于始终遵循这样的规则，即在进行任何预处理之前首先要做的是分离数据，创建一个保留集。

【参考方案3】：

当我们谈论文本数据时，我们必须确保模型仅在训练集的词汇上进行训练，因为当我们在现实生活中部署模型时，它会遇到以前从未见过的词所以我们必须牢记这一点，对测试集进行验证。 我们必须确保测试集中的新词不属于模型的词汇表。 因此，我们必须在训练数据上使用 fit_transform 并在测试数据上使用 transform。 如果您考虑进行交叉验证，那么您可以在所有折叠中使用此逻辑。