『壹』 lda源碼 如何計算perplexit（困惑度）
我自己寫的，你可以看看http://www.54kaikai.com/?p=39
『貳』 2017年10大流行python庫有哪些
1、NumPy
NumPy是構建科學計算 stack 的最基礎的包。它為 Python 中的 n 維數組和矩陣的操作提供了大量有用的功能。該庫還提供了 NumPy 數組類型的數學運算向量化，可以提升性能，從而加快執行速度。
2、SciPy
SciPy 是一個工程和科學軟體庫， 包含線性代數、優化、集成和統計的模塊。SciPy 庫的主
要功能建立在 NumPy 的基礎之上，它通過其特定的子模塊提供高效的數值常式操作。SciPy 的所有子模塊中的函數都有詳細的文檔，這也是一個優勢。
3、Pandas
Pandas是一個 Python 包，旨在通過「標記(labeled)」和「關系(relational)」數據進行工作，簡單直觀。Pandas 是 data wrangling 的完美工具。它設計用於快速簡單的數據操作、聚合和可視化。
4、Seaborn
Seaborn 主要關注統計模型的可視化;這種可視化包括熱度圖(heat map)，可以總結數據但也描繪總體分布。Seaborn 基於 Matplotlib，並高度依賴於它。
5、Bokeh
Bokeh是一個很好的可視化庫，其目的是互動式可視化，不過這個庫獨立於 Matplotlib，它通過現代瀏覽器以數據驅動文檔(D3.js)的風格呈現。
6、Scikits
Scikits 是 SciPy Stack 的附加軟體包，專為特定功能(如圖像處理和輔助機器學習)而設計。其中最突出的一個是 scikit-learn。該軟體包構建於 SciPy 之上，並大量使用其數學操作，是使用 Python 進行機器學習的實際上的行業標准。
7、Theano
Theano 是一個 Python 包，它定義了與 NumPy 類似的多維數組，以及數學運算和表達式。該庫是經過編譯的，使其在所有架構上能夠高效運行。這個庫最初由蒙特利爾大學機器學習組開發，主要是為了滿足機器學習的需求。
8、Keras
Keras是一個使用高層介面構建神經網路的開源庫，它是用 Python 編寫的。它簡單易懂，具有高級可擴展性。Keras 極其容易上手，而且可以進行快速的原型設計，足以用於嚴肅的建模。
9、Gensim
Gensim是一個用於 Python 的開源庫，實現了用於向量空間建模和主題建模的工具。Gensim 實現了諸如分層 Dirichlet 進程(HDP)、潛在語義分析(LSA)和潛在 Dirichlet 分配(LDA)等演算法，還有 tf-idf、隨機投影、word2vec 和 document2vec，以便於檢查一組文檔(通常稱為語料庫)中文本的重復模式。
10、Scrapy
Scrapy 是用於從網路檢索結構化數據的爬蟲程序的庫。它現在已經發展成了一個完整的框架，可以從 API 收集數據，也可以用作通用的爬蟲。該庫在介面設計上遵循著名的 Don』t Repeat Yourself 原則——提醒用戶編寫通用的可復用的代碼，因此可以用來開發和擴展大型爬蟲。
『叄』 求LDA人臉識別源代碼，先用PCA進行降維，最好用ORL圖像庫前半部分訓練後半部分測試。（Matlab代碼）
我可以發給你，郵箱
『肆』 python lda 粘貼代碼後出現這樣的問題，求救
好好看代碼，不要沾別人的，一般網上的代碼只是重點代碼，不是完整代碼
『伍』 'builtin_function_or_method' object
forroot,dirs,filesinwalk:
fornameinfiles:
f=open(os.path.join(root,name),'r')
raw=f.read()＃這里縮進對么？是原來就這樣還是復制的時候出錯了，這樣些不就
只讀了最後一個文件么，而且如果目錄是空的，這個就會有問題吧，f就是為未定義，或者
使用上一次循環的文件，是不是這里引起的？
word_list=list(jieba.cut(raw,cut_all=False))
train_set.append(word_list)
『陸』 LDA主題模型，有人用過JGibbLDA這個lda實現么
有很多啊,python裡面都有標準的庫了,其實有了JGibbsLDA也就夠了,想要其他語言的版本,自己改寫一個吧
『柒』 python lda 主題模型 需要使用什麼包
python lda 主題模型 需要使用什麼包
數據結構是程序構成的重要部分，鏈表、樹、圖這些在用C 編程時需要仔細表達的問題在Python 中簡單了很多。在Python 中，最基本的數據結構就是數組、序列和哈希表，用它們想要表達各種常見的數據結構是非常容易的。沒了定義指針、分配內存的任務，編程變得有趣了。CORBA 是一種高級的軟體體系結構，它是語言無關平台無關的。C++、Java 等語言都有CORBA 綁定，但與它們相比，Python 的 CORBA 綁定卻容易很多，因為在程序員看來，一個 CORBA 的類和 Python 的類用起來以及實現起來並沒有什麼差別。
『捌』 Python中用LDA計算困惑度時出現代碼錯誤，這行代碼表示模型文件名的迭代公式
LDA主題模型的評價指標是困惑度，困惑度越小，模型越好。
所以，可以跑一組實驗，看不同迭代次數對應的困惑度是多少，畫一條曲線，最小困惑度對應的迭代次數即為最佳次數。
迭代次數太少，會導致模型尚未收斂，迭代次數太多，又會浪費計算資源。
『玖』 Python LDA降維中不能輸出指定維度（n_components）的新數據集
LDA降維後的維度區間在[1,C-1]，C為特徵空間的維度，與原始特徵數n無關，對於二值分類，最多投影到1維，所以我估計你是因為這是個二分類問題，所以只能降到一維。
『拾』 python中的lda包怎麼用
安裝
$ pip install lda --user
示例
from __future__ import division, print_function
import numpy as np
import lda
import lda.datasets
# document-term matrix
X = lda.datasets.load_reuters()
print("type(X): {}".format(type(X)))
print("shape: {}\n".format(X.shape))
print(X[:5, :5])
'''輸出：
type(X): <type 'numpy.ndarray'>
shape: (395L, 4258L)
[[ 1 0 1 0 0]
[ 7 0 2 0 0]
[ 0 0 0 1 10]
[ 6 0 1 0 0]
[ 0 0 0 2 14]]
'''