logp

Логарифмические вероятности документа и качество подгонки модели LDA

Описание

пример

logProb = logp(ldaMdl,documents) возвращает логарифмические вероятности documents в соответствии с моделью LDA ldaMdl.

пример

logProb = logp(ldaMdl,counts) возвращает логарифмические вероятности документов, представленных матрицей подсчетов слов counts.

logProb = logp(ldaMdl,bag) возвращает логарифмические вероятности документов, представленных сумкой слов или мешком n модели граммов.

пример

[logProb,ppl] = logp(___) возвращает недоумение, вычисленное из логарифмических вероятностей.

___ = logp(___,Name,Value) задает дополнительные опции с помощью одного или нескольких аргументов пары "имя-значение".

Примеры

свернуть все

Чтобы воспроизвести результаты в этом примере, установите rng к 'default'.

rng('default')

Загрузите данные в качестве примера. Файл sonnetsPreprocessed.txt содержит предварительно обработанные версии сонетов Шекспира. Файл содержит один сонет на строку со словами, разделенными пробелом. Извлеките текст из sonnetsPreprocessed.txt, разделите текст в документы в символах новой строки, и затем маркируйте документы.

filename = "sonnetsPreprocessed.txt";
str = extractFileText(filename);
textData = split(str,newline);
documents = tokenizedDocument(textData);

Создайте модель сумки слов использование bagOfWords.

bag = bagOfWords(documents)
bag = 
  bagOfWords with properties:

          Counts: [154x3092 double]
      Vocabulary: [1x3092 string]
        NumWords: 3092
    NumDocuments: 154

Подбирайте модель LDA с 20 темами. Чтобы подавить многословный выход, установите 'Verbose' к 0.

numTopics = 20;
mdl = fitlda(bag,numTopics,'Verbose',0);

Вычислите логарифмические вероятности документа учебных материалов и покажите им в гистограмме.

logProbabilities = logp(mdl,documents);
figure
histogram(logProbabilities)
xlabel("Log Probability")
ylabel("Frequency")
title("Document Log-Probabilities")

Идентифицируйте эти три документа с самой низкой логарифмической вероятностью. Низкая логарифмическая вероятность может предположить, что документ может быть выбросом.

[~,idx] = sort(logProbabilities);
idx(1:3)
ans = 3×1

   146
    19
    65

documents(idx(1:3))
ans = 
  3x1 tokenizedDocument:

    76 tokens: poor soul centre sinful earth sinful earth rebel powers array why dost thou pine suffer dearth painting thy outward walls costly gay why large cost short lease dost thou upon thy fading mansion spend shall worms inheritors excess eat up thy charge thy bodys end soul live thou upon thy servants loss let pine aggravate thy store buy terms divine selling hours dross fed rich shall thou feed death feeds men death once dead theres dying
    76 tokens: devouring time blunt thou lions paws make earth devour own sweet brood pluck keen teeth fierce tigers jaws burn longlivd phoenix blood make glad sorry seasons thou fleets whateer thou wilt swiftfooted time wide world fading sweets forbid thee heinous crime o carve thy hours loves fair brow nor draw lines thine antique pen thy course untainted allow beautys pattern succeeding men yet thy worst old time despite thy wrong love shall verse ever live young
    73 tokens: brass nor stone nor earth nor boundless sea sad mortality oersways power rage shall beauty hold plea whose action stronger flower o shall summers honey breath hold against wrackful siege battering days rocks impregnable stout nor gates steel strong time decays o fearful meditation alack shall times best jewel times chest lie hid strong hand hold swift foot back spoil beauty forbid o none unless miracle might black ink love still shine bright

Загрузите данные в качестве примера. sonnetsCounts.mat содержит матрицу подсчетов слов и соответствующий словарь предварительно обработанных версий сонетов Шекспира.

load sonnetsCounts.mat
size(counts)
ans = 1×2

         154        3092

Подбирайте модель LDA с 20 темами.

numTopics = 20;
mdl = fitlda(counts,numTopics)
Initial topic assignments sampled in 0.231988 seconds.
=====================================================================================
| Iteration  |  Time per  |  Relative  |  Training  |     Topic     |     Topic     |
|            | iteration  | change in  | perplexity | concentration | concentration |
|            | (seconds)  |   log(L)   |            |               |   iterations  |
=====================================================================================
|          0 |       0.80 |            |  1.159e+03 |         5.000 |             0 |
|          1 |       0.12 | 5.4884e-02 |  8.028e+02 |         5.000 |             0 |
|          2 |       0.09 | 4.7400e-03 |  7.778e+02 |         5.000 |             0 |
|          3 |       0.09 | 3.4597e-03 |  7.602e+02 |         5.000 |             0 |
|          4 |       0.06 | 3.4662e-03 |  7.430e+02 |         5.000 |             0 |
|          5 |       0.15 | 2.9259e-03 |  7.288e+02 |         5.000 |             0 |
|          6 |       0.08 | 6.4180e-05 |  7.291e+02 |         5.000 |             0 |
=====================================================================================
mdl = 
  ldaModel with properties:

                     NumTopics: 20
             WordConcentration: 1
            TopicConcentration: 5
      CorpusTopicProbabilities: [1x20 double]
    DocumentTopicProbabilities: [154x20 double]
        TopicWordProbabilities: [3092x20 double]
                    Vocabulary: [1x3092 string]
                    TopicOrder: 'initial-fit-probability'
                       FitInfo: [1x1 struct]

Вычислите логарифмические вероятности документа учебных материалов. Задайте, чтобы чертить 500 выборок для каждого документа.

numSamples = 500;
logProbabilities = logp(mdl,counts, ...
    'NumSamples',numSamples);

Покажите логарифмические вероятности документа в гистограмме.

figure
histogram(logProbabilities)
xlabel("Log Probability")
ylabel("Frequency")
title("Document Log-Probabilities")

Идентифицируйте индексы этих трех документов с самой низкой логарифмической вероятностью.

[~,idx] = sort(logProbabilities);
idx(1:3)
ans = 3×1

   146
    19
    65

Сравните качество подгонки для двух моделей LDA путем вычисления недоумения протянутого набора тестов документов.

Чтобы воспроизвести результаты, установите rng к 'default'.

rng('default')

Загрузите данные в качестве примера. Файл sonnetsPreprocessed.txt содержит предварительно обработанные версии сонетов Шекспира. Файл содержит один сонет на строку со словами, разделенными пробелом. Извлеките текст из sonnetsPreprocessed.txt, разделите текст в документы в символах новой строки, и затем маркируйте документы.

filename = "sonnetsPreprocessed.txt";
str = extractFileText(filename);
textData = split(str,newline);
documents = tokenizedDocument(textData);

Отложите 10% документов наугад для тестирования.

numDocuments = numel(documents);
cvp = cvpartition(numDocuments,'HoldOut',0.1);
documentsTrain = documents(cvp.training);
documentsTest = documents(cvp.test);

Создайте модель сумки слов из учебных материалов.

bag = bagOfWords(documentsTrain)
bag = 
  bagOfWords with properties:

          Counts: [139x2909 double]
      Vocabulary: [1x2909 string]
        NumWords: 2909
    NumDocuments: 139

Подбирайте модель LDA с 20 темами к модели сумки слов. Чтобы подавить многословный выход, установите 'Verbose' к 0.

numTopics = 20;
mdl1 = fitlda(bag,numTopics,'Verbose',0);

Просмотрите информацию о подгонке модели.

mdl1.FitInfo
ans = struct with fields:
          TerminationCode: 1
        TerminationStatus: "Relative tolerance on log-likelihood satisfied."
            NumIterations: 26
    NegativeLogLikelihood: 5.6915e+04
               Perplexity: 742.7118
                   Solver: "cgs"
                  History: [1x1 struct]

Вычислите недоумение протянутого набора тестов.

[~,ppl1] = logp(mdl1,documentsTest)
ppl1 = 781.6078

Подбирайте модель LDA с 40 темами к модели сумки слов.

numTopics = 40;
mdl2 = fitlda(bag,numTopics,'Verbose',0);

Просмотрите информацию о подгонке модели.

mdl2.FitInfo
ans = struct with fields:
          TerminationCode: 1
        TerminationStatus: "Relative tolerance on log-likelihood satisfied."
            NumIterations: 37
    NegativeLogLikelihood: 5.4466e+04
               Perplexity: 558.8685
                   Solver: "cgs"
                  History: [1x1 struct]

Вычислите недоумение протянутого набора тестов.

[~,ppl2] = logp(mdl2,documentsTest)
ppl2 = 808.6602

Более низкое недоумение предполагает, что модель может быть лучшей подгонкой к протянутым тестовым данным.

Входные параметры

свернуть все

Введите модель LDA, заданную как ldaModel объект.

Введите документы, заданные как tokenizedDocument массив, массив строк слов или массив ячеек из символьных векторов. Если documents массив строк или массив ячеек из символьных векторов, затем это должен быть вектор-строка, представляющий единый документ, где каждый элемент является словом.

Введите сумку слов или мешок n модели граммов, заданной как bagOfWords возразите или bagOfNgrams объект. Если bag bagOfNgrams объект, затем функция обрабатывает N-граммы как отдельные слова.

Подсчет частот слов, заданных как матрица неотрицательных целых чисел. Если вы задаете 'DocumentsIn' быть 'rows', затем значение counts(i,j) соответствует числу раз, j th слово словаря появляется в i th документ. В противном случае, значение counts(i,j) соответствует числу раз, i th слово словаря появляется в j th документ.

Аргументы в виде пар имя-значение

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: 'NumSamples',500 задает, чтобы чертить 500 выборок для каждого документа

Ориентация документов в матрице для подсчета количества слов, заданной как разделенная запятой пара, состоящая из 'DocumentsIn' и одно из следующего:

  • 'rows' – Вход является матрицей подсчетов слов со строками, соответствующими документам.

  • 'columns' – Вход является транспонированной матрицей подсчетов слов со столбцами, соответствующими документам.

Эта опция только применяется, если вы задаете входные документы как матрицу подсчетов слов.

Примечание

Если вы ориентируете свою матрицу для подсчета количества слов так, чтобы документы соответствовали столбцам и задали 'DocumentsIn','columns', затем вы можете испытать значительное сокращение во время выполнения оптимизации.

Количество выборок, чтобы чертить для каждого документа, заданного как разделенная запятой пара, состоящая из 'NumSamples' и положительное целое число.

Пример: 'NumSamples',500

Выходные аргументы

свернуть все

Логарифмические вероятности документов в соответствии с моделью LDA, возвращенной как числовой вектор.

Недоумение документов вычисляется от логарифмических вероятностей, возвращенных как положительная скалярная величина.

Алгоритмы

logp использует выполненный с помощью итераций псевдометод счета, описанный в

Ссылки

[1] Уоллак, Ханна М., Иэн Мюррей, Руслан Салахутдинов и Дэвид Мимно. "Методы оценки для моделей темы". В Продолжениях 26-й ежегодной международной конференции по вопросам машинного обучения, стр 1105–1112. ACM, 2009. Гарвард

Введенный в R2017b

Для просмотра документации необходимо авторизоваться на сайте