принятый ответ на этот вопрос хорош, но на самом деле он не касается того, как оценить недоумение в наборе данных проверки и как использовать перекрестную проверку.

использование недоумения для простой проверки

потерянность является мерой того, насколько хорошо вероятностная модель соответствует новому набору данных. В topicmodels R пакет это просто, чтобы соответствовать с perplexity функция, которая принимает в качестве аргументов ранее подходящую модель темы и новый набор данных, и возвращает одно число. Чем ниже, тем лучше.

например, разделение AssociatedPress данные в обучающий набор (75% строк) и набор проверки (25% строк):

# load up some R packages including a few we'll need later
library(topicmodels)
library(doParallel)
library(ggplot2)
library(scales)

data("AssociatedPress", package = "topicmodels")

burnin = 1000
iter = 1000
keep = 50

full_data  <- AssociatedPress
n <- nrow(full_data)
#-----------validation--------
k <- 5

splitter <- sample(1:n, round(n * 0.75))
train_set <- full_data[splitter, ]
valid_set <- full_data[-splitter, ]

fitted <- LDA(train_set, k = k, method = "Gibbs",
                          control = list(burnin = burnin, iter = iter, keep = keep) )
perplexity(fitted, newdata = train_set) # about 2700
perplexity(fitted, newdata = valid_set) # about 4300

недоумение выше для набора проверки, чем набор обучения, потому что темы были оптимизированы на основе набора обучения.

используя недоумение и перекрестную проверку, чтобы определить большое количество тем

расширение эта идея перекрестной проверки проста. Разделите данные на различные подмножества (скажем, 5), и каждое подмножество получит один поворот как набор проверки и четыре поворота как часть набора обучения. Однако это действительно вычислительно интенсивно, особенно при опробовании большего количества тем.

вы могли бы использовать caret чтобы сделать это, но я подозреваю, что он еще не обрабатывает тему моделирования. В любом случае, это то, что я предпочитаю делать сам, чтобы быть уверенным, я понять, что происходит.

код ниже, даже с параллельной обработкой на 7 логических процессорах, занял 3,5 часа, чтобы запустить на моем ноутбуке:

#----------------5-fold cross-validation, different numbers of topics----------------
# set up a cluster for parallel processing
cluster <- makeCluster(detectCores(logical = TRUE) - 1) # leave one CPU spare...
registerDoParallel(cluster)

# load up the needed R package on all the parallel sessions
clusterEvalQ(cluster, {
   library(topicmodels)
})

folds <- 5
splitfolds <- sample(1:folds, n, replace = TRUE)
candidate_k <- c(2, 3, 4, 5, 10, 20, 30, 40, 50, 75, 100, 200, 300) # candidates for how many topics

# export all the needed R objects to the parallel sessions
clusterExport(cluster, c("full_data", "burnin", "iter", "keep", "splitfolds", "folds", "candidate_k"))

# we parallelize by the different number of topics.  A processor is allocated a value
# of k, and does the cross-validation serially.  This is because it is assumed there
# are more candidate values of k than there are cross-validation folds, hence it
# will be more efficient to parallelise
system.time({
results <- foreach(j = 1:length(candidate_k), .combine = rbind) %dopar%{
   k <- candidate_k[j]
   results_1k <- matrix(0, nrow = folds, ncol = 2)
   colnames(results_1k) <- c("k", "perplexity")
   for(i in 1:folds){
      train_set <- full_data[splitfolds != i , ]
      valid_set <- full_data[splitfolds == i, ]

      fitted <- LDA(train_set, k = k, method = "Gibbs",
                    control = list(burnin = burnin, iter = iter, keep = keep) )
      results_1k[i,] <- c(k, perplexity(fitted, newdata = valid_set))
   }
   return(results_1k)
}
})
stopCluster(cluster)

results_df <- as.data.frame(results)

ggplot(results_df, aes(x = k, y = perplexity)) +
   geom_point() +
   geom_smooth(se = FALSE) +
   ggtitle("5-fold cross-validation of topic modelling with the 'Associated Press' dataset",
           "(ie five different models fit for each candidate number of topics)") +
   labs(x = "Candidate number of topics", y = "Perplexity when fitting the trained model to the hold-out set")

мы видим в результатах, что 200 тем слишком много и имеет некоторые переборки, и 50 слишком мало. Из числа испытанных тем 100 является лучшим, с наименьшим средним недоумением на пяти различных наборах удержания.