从LDA&Topic开始

LDA模型（文档生成模型）本质上是一个概率模型，中包括了两个狄利克雷分布，分别是基于主题的文本分布和基于词语的主题分布。以及两个多项式分布，分别是文本的主题分布和主题的词语分布，LDA即document-topic-term。

文本划分为主题，主题切分成不同的词语，最后生成一个fake document。LDA最终计算的是一个机器生成某个组合的fake document的概率，找到最优的参数α和β。

在LDA模型中，捕捉文档、词语和主题之间的关系：

1. 文档-词语矩阵：这个矩阵通常表示为词频（TF）或TF-IDF（词频-逆文档频率）矩阵。在这里，每一行代表一个文档，每一列代表一个词语。矩阵中的元素表示该词语在文档中出现的频率或重要性。这个矩阵用于输入到主题模型中，以发现文档集合中的潜在主题。

2. 主题-词语矩阵：这个矩阵显示了每个主题中每个词语的出现概率。每一行代表一个主题，每一列代表一个词语。矩阵中的元素值较高表明该词语与对应的主题高度相关。

3. 文档-主题矩阵：这个矩阵展示了每个文档中各主题的出现概率。每一行代表一个文档，每一列代表一个主题。矩阵中的元素表示该主题在特定文档中的重要性或比重。

LDA模型的目的是从文档集合中发现一组主题，每个主题是词汇的分布，这些词汇在语义上是相关的。LDA模型试图找到文档生成的潜在主题结构。

要使用LDA (Latent Dirichlet Allocation) 模型拟合文本数据，你需要先对文本进行预处理，转换为数值型特征（通常是词频或TF-IDF矩阵，即文档-词语矩阵），然后才能应用LDA模型(拟合LDA模型到文档-词语矩阵)。ps:代码中转化的是词频矩阵，TF-IDF矩阵要用其他代码