1.LDA类
采用Scikit-learn工具实现文本特征抽取，对Scikit-learn提供的LDA类描述如下：
（1）参数：
n_components：整型类型，是指隐含主题数n，缺省默认为10。
doc_topic_prior：float类型数据，指文本文档主题分布θ的先验分布α，如果没有主题分布的先验知识，默认值为1/n。
topic_word_prior：float类型数据，指主题词语分布φ的先验分布β，如果没有词语分布的先验知识，默认值为1/n。
learning_method：其值可选“batch”和“online”，默认为“online”。
max_iter：整型数，缺省默认为10，是指最大迭代次数。
total_samples：整型数，指文档总数，只使用在partial_fit方法中。
batch_size：整型数，缺省默认为128，在每个EM迭代中使用的文档数量，仅用于在线学习。
（2）主要方法：
fit（D[，y]）：利用文本数据集D训练模型。(www.xing528.com)
fit_transform（D[，y]）：利用文本数据集D训练模型，返回文本数据的主题分布。
partial_fit（D[，y]）：分步训练，利用小批数据进行模型训练，逐步更新模型。
transform（D）：利用已经训练好的模型获取语料D中每篇文档的主题分布。
2.采用LDA的文本特征抽取
运行结果说明：
（1）原始文本的文本-特征矩阵为：
（2）选择主题数为2，经过LDA模型降维后的文档-主题矩阵为
通过这个矩阵可看出文本文档的维度从11维降至2维，从值的分布可以看出文档1属于主题0，文档2属于主题1。
（3）主题-词矩阵为：
（4）每个主题的前2个特征词为：
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
