文本型数据特征化（特征提取）

如果样本本身就是数字型的，那么样本本身就可以作为特征用于训练我们的模型，那么如果样本本身是文字型样本，如做文本分析等机器学习工作时，该如何提取特征？

1. 词集模型

单词构成的集合，集合中每个元素都只有一个。

2. 词袋模型

统计文本中出现的单词，与其出现次数。
使用sklearn实现的词袋模型示例如下：

3. TF-IDF模型（term frequency–inverse document frequency，词频与逆向文件频率）

是一种统计方法，用以评估某一字词对于一个文件集或一个语料库的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。

TF-IDF模型通常和词袋模型共同使用，用于处理词袋模型生成的数组。