在写完上一篇文章之后，我了解到了Word Embeddings。出于好奇，我试着用一份已经训练好的GloVe word vectors给XGBoost加入了新特征，看看加入这些特征之后模型的预测效果会不会提升。
这篇文章简单记录一下这次尝试的结果。
这些新特征，具体是这样计算的：
- 给文本做tokenization
- 基于这个现有的（50维的）word vectors，将每一份文本向量化（50维）
- 用SVD将维度降至10维，把这10维数据加入到原有训练集中进行训练
也就是说，和上一次相比，这一次我的训练集多了10个新特征。
在没有进行精细调参的情况下，（测试集）结果相当感人：
- LogLoss：0.41（原本为0.43）
- AUC of ROC curve：0.896（原本为0.88）
ROC曲线对比图如下：
001 - 两个模型的ROC曲线对比图
新模型（橙色）明显优于旧模型（蓝色）。
再来看看XGBoost返回的特征重要程度排名：
002 - 新模型下的特征重要程度排名
排在前4位的，有2个是这次新加入的特征。
最后在来看一下新模型下的confusion matrix（threshold = 0.48）：
003 - 新模型下的confusion matrix
测试集中共有300份影评，其中正面影评共有161份，负面影评共139份。在这些正面的影评中，有80.7%份影评被正确识别（TPR）；在这些负面的影评中，有81.3%份影评被正确识别（TNR）。换句话说，在TNR相似的情况下，TPR显著提升了。
被word vectors惊艳到了。
以上。
网友评论