为什么要做降维：提高计算效率留存有用的特征，为后续建模使用在项目中实际拿到的数据，可能会有几百个维度（特征）的数据集，这样的数据集在建模使用时，非常消耗计算资源，所以需要通过使用降维方法来优化数据集线性判别分析（Linear Discriminant Analysis）用途：数据预处理中的降维，分类任务（有监督问题）目标：LDA关心的是能够最大化类间区分度的坐标轴成分 将特征空间（数据集中的多维样
转载
2024-04-22 20:55:49
44阅读
今天安装R包的时候报错：BiocManager::install('topicmodels')Error: package or namespace load failed for ‘topicmodels’ in dyn.load(file, DLLp
原创
2022-12-08 15:48:30
1355阅读
主题模型是一种用于发现文本数据中隐藏主题的方法。其中，潜在狄利克雷分布(LDA)是最常用的主题建模算法之一。LDA可以帮助我们从文本数据中找出不同主题的分布，并了解每个文档中这些主题的权重。
在R语言中，我们可以使用topicmodels包来实现LDA模型。下面我们将介绍如何在R语言中实现LDA模型，并展示一个简单的示例。
首先，我们需要安装并加载topicmodels包：
```r
ins
原创
2024-05-10 05:05:21
92阅读
# R语言中LDA模型
Latent Dirichlet Allocation（LDA）是一种文本挖掘和主题建模技术，通过对文档集合中的主题进行建模，可以帮助我们理解和分析文本数据。在R语言中，我们可以使用`topicmodels`包来实现LDA模型的建立和应用。
## LDA模型介绍
LDA模型假设每个文档是由主题的混合组成的，而每个主题又由单词的分布组成。通过对文档中的单词进行统计分析，
原创
2024-04-07 03:44:22
151阅读
# R语言lda计算结果与公式法不同
在机器学习和自然语言处理中，主题建模是一种用于发现文本数据中主题和主题之间关系的技术。其中的一个流行算法是Latent Dirichlet Allocation（LDA），它通过分解文档-主题和主题-词语矩阵来发现主题。在R语言中，我们可以使用`topicmodels`包进行LDA主题建模。
然而，我们会发现R语言lda计算结果与公式法不同。在公式法中，L
原创
2024-04-07 06:13:53
45阅读
几个未解决的问题：1、LDA主题数量，多少个才是最优的。2、作出主题之后，主题-主题，主题与词语之间关联如何衡量。 于是在查阅几位老师做的成果之后，将他们的成果撮合在一起。笔者发现R里面目前有两个包可以做LDA模型，是lda包+topicmodels包，两个包在使用的过程中，需要整理的数据都是不一样的，所以数据处理会是一个不省心的过程。 &nbs
转载
2023-12-30 20:28:23
103阅读
