クラスタ内のトップ用語をクラスタリングする

Question

私は、クラスタドキュメント用のPython Kmeanクラスタリングアルゴリズムを使用しています。私は私の次のタスクがgoogoleでの検索、すべてのクラスタ内のトップ用語を確認することです

km = KMeans(n_clusters=true_k, init='k-means++', max_iter=100, n_init=1) 
y=km.fit(X) 

は、多くのことを示唆し

from sklearn.feature_extraction.text import TfidfVectorizer 
    from sklearn.cluster import KMeans 
    vectorizer = TfidfVectorizer(tokenizer=tokenize, encoding='latin-1', 
          stop_words='english') 
    X = vectorizer.fit_transform(token_dict.values()) 

は、その後、私は次のコードを使用してKmeanクラスタリングを適用される用語 - 文書行列を作成しました人々は）（km.cluster_centers_.argsortを使用しています[:: :, - 1]次のコードを使用してクラスタ内の最上位語を見つけるために：

print("Top terms per cluster:") 
order_centroids = km.cluster_centers_.argsort()[:, ::-1] 
terms = vectorizer.get_feature_names() 
for i in range(true_k): 
    print("Cluster %d:" % i, end='') 
    for ind in order_centroids[i, :10]: 
     print(' %s' % terms[ind], end='') 
     print() 

今、私の質問はその私の理解kにm.cluster_centers_はクラスタの中心の座標を返します。たとえば、100個のフィーチャと3つのクラスタがある場合、各クラスタの重心を表す3行と100列の行列を返します。上記のコードでクラスターの上位の用語を判別する方法を理解したい。 ありがとうコメントありがとうございます Nadeem

Answer 1

あなたはクラスタセンターの形状と意味は正しいですか。 Tf-Idfベクトル化ツールを使用しているため、「フィーチャ」は特定のドキュメント内の単語です（各ドキュメントは独自のベクトルです）。したがって、ドキュメントベクトルをクラスタ化すると、重心の各「フィーチャ」は、その単語の関連性を表します。

get_feature_names呼び出しは、それが表す単語への列インデックスのマッピングを取得します（したがって、それは次のように見えます）： "word"（語彙）= "feature"ドキュメントが期待どおりに機能しない場合は、vocabulary_行列を逆にして同じ結果を得るだけです）。

次に、.argsort()[:, ::-1]行は、各重心をその中で最も関連性の高い（したがって高価値の）列のソート（降順）リストに変換します。

コードの残りの部分だけが印刷されていますが、私はそれが何の説明も必要ないと確信しています。すべてのコードが本当にやっているのは、各重心を、その中で最も価値のある特徴/単語の降順にソートし、それらの元の単語に戻してマッピングして印刷することです。