Combinare più tipi di feature

TF-IDF cattura le parole, mentre i numeri costruiti manualmente catturano lo stile. I modelli migliori spesso combinano diversi tipi di feature in un unico input.

Immagini il vettore TF-IDF di una recensione insieme alla sua lunghezza e alla valutazione in stelle. Affiancandoli, il modello riceve contemporaneamente il segnale delle parole e quello numerico.

TF-IDF restituisce una matrice sparsa, mentre le feature personalizzate sono un piccolo array denso. Deve unirle lungo le stesse righe.

Un assimilatore le feature come nuove colonne per gli stessi documenti, non come nuove righe. Questa unione orizzontale si chiama concatenazione.

SciPy offre hstack per disporre le matrici una accanto all'altra in modo efficiente. Mantiene tutto sparso, così la memoria resta sotto controllo.

ColumnTransformer di scikit-learn applica passaggi diversi a colonne diverse. È il modo più ordinato per far passare testo e numeri attraverso un'unica pipeline.

Fornisca a ColumnTransformer un elenco di trasformatori denominati e le colonne gestite da ciascuno. Costruirà per Lei un'unica matrice di feature.

Quando più trasformatori leggono lo stesso input, FeatureUnion li esegue in parallelo e unisce i risultati. È progettato per combinare gli estrattori di feature.

I conteggi grezzi delle parole e una lunghezza compresa tra 0 e 1000 si trovano su intervalli molto diversi. Mischiarli richiede spesso il ridimensionamento, così nessuna feature domina le altre.

L'aggiunta di tipi diversi di feature dovrebbe essere un esperimento misurato. Confronti un punteggio di validazione prima e dopo, per verificare che la combinazione sia davvero utile.

Aggiungere ogni feature può introdurre rumore e rallentare l'addestramento. Punti a un piccolo insieme ben scelto invece di accumulare tutto indiscriminatamente. 🧹

I modelli più efficaci combinano le feature testuali e numeriche concatenando le colonne. Usi hstack, ColumnTransformer o FeatureUnion e ridimensioni le feature prima di combinarle. ✅