sklearn.feature_extraction.text文本特征实验

sklearn.feature_extraction.text提供了4种文本特征提取方法：

1. CountVectorizer
2. HashingVectorizer
3. TfidfTransformer
4. TfidfVectorizer
   因为TfidfVectorizer等价于CountVectorizer->TfidfTransformer，所以实质上就是两种特征，一种是HashingVector，另一种则是Tfidf特征。

每一类都是由题目组成，但是每个题目长度都不长，分词筛选后也只剩下几个关键词，因此计算各个词的tf的时候结果基本都是1/题目分词数，所以我便想着能不能计算出每一类的各个词的tf，而不是对单独的每个题目计算tf。
因此我将同一类的所有题目分词都组合到一个文档，这样就可以在同一类上计算词频tf，而不是在每个题目上面单独计算。
首先根据tf值排序做词典筛选：
初始词典中词的数目为7000。

实验采用
model = OneVsRestClassifier(svm.SVC(kernel=’linear’))模型进行实验。
特征提取采用了tf-idf和tf两种，tf-idf在tf的基础上加入了逆文档词频idf。
f1-macro,f1-micro,f1-sample分别是应用于多标签分类的评价标准，评价的基本标准依然是f1值，只是计算方式有所不同。

1. 首先在tf-idf提取的特征下进行不同词数的实验，从中可以看到
   在1000维的时候f1-macro和f1-sample准确率达到最高，说明特征并不是越多越好，只要有足够多的具有区分能力的特征就够了。
   500维的时候效果和1000维相差不大。
2. 接着进行了tf-i