我想你是在问，对于一个任意训练的分类器，你如何找到它在推文词和聚会概率之间的映射？有几种与模型无关的方法可以做到这一点，相当于检查哪些功能产生了最大的差异。以下两个 Python 库实现了这些算法中的一个或多个，从 LIME 作者写的一篇论文开始：

1. LIME显示哪些词对给定分类很重要。你可以给它发送单个单词的文本来获得它们的平均重要性，但当然在更好的文本模型中，上下文很重要。

2. ELI5包括一个替代的 LIME 实现，以及一些用于一些常见 scikit-learn 分类器的特殊功能。

@CarlRynegardh 还建议了一种通用方法，给定一个可以从许多分类器中提取的（单词 x 潜在特征）矩阵，但鉴于您似乎不熟悉这种方法，我认为您将从探索这些库中获得更多价值。此外，如果您想考虑的不仅仅是单个单词，我认为它们会更好地考虑上下文影响，并且至少 ELI5 会利用一些特定的模型功能。

对于开始在 Python 中执行此操作，您可能会得到很多意见。我想大多数人会推荐anaconda python 发行版和 SciPy 生态系统，包括 NumPy、matplotlib 和 pandas。对于一般机器学习，我的首选包是scikit-learn。对于深度网络，两个主要竞争对手似乎是 Keras/TensorFlow 和 FastAI/PyTorch。第二个更Pythonic。（我相信它目前在分类器性能方面也有优势，但对在生产中部署的支持并不多。两者都在快速发展。）

来自 Mathematica，我希望您希望在jupyter notebook环境中工作。LIME 和 ELI5 都有几个示例笔记本，GitHub 有一个内置的笔记本查看器，所以你可以在浏览器中按照上面的链接阅读它们。

最快的开始方式可能是使用云服务，该服务提供对预先配置了所有库的 jupyter notebook 的即时访问。大大小小的云有很多选择。我正在使用 Paperspace，但我听说 Google Collab 是免费的，而且 Just Works (TM)。

说几句你知道与共和党和民主党有关的词。提取他们的词嵌入。那就是单词的向量表示，它将是高维的。这将假设您已经对词嵌入进行了训练，无论是预训练的，还是自己对数据进行更好的训练。词嵌入可以通过例如 LSTM 训练或矩阵分解来训练/提取。

在词嵌入上，对 2d 进行降维（以 PCA 为例）。阴谋！那些靠得很近的人在他们接受培训的目标上会“相似”。

预训练的词嵌入可供下载。但是，它们可能不是您目标的最佳嵌入，但总比没有好。

我相信“使用 LSTM RNN 的序列分类”是您问题的确切答案。

查看本教程，它是最好的教程之一：

https://machinelearningmastery.com/sequence-classification-lstm-recurrent-neural-networks-python-keras/