自然语言处理之TF-IDF原理以及利用其进行特征筛选

一. 什么是TF-IDF

TF-IDF(Term Frequency-Inverse Document Frequency, 词频-逆文件频率).
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。

• 词频 (term frequency, TF)
  指的是某一个给定的词语在该文件中出现的次数。这个数字通常会被归一化(一般是词频除以文章总词数),
  以防止它偏向长的文件。（同一个词语在长文件里可能会比短文件有更高的词频，而不管该词语重要与否。

  

• 逆向文件频率 (inverse document frequency, IDF) IDF的主要思想是：如果包含词条t的文档越少,
  IDF越大，则说明词条具有很好的类别区分能力。某一特定词语的IDF，可以由总文件数目除以包含该词语之文件的数目，再将得到的商取对数得到。

  
  某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率，可以产生出高权重的TF-IDF。因此，TF-IDF倾向于过滤掉常见的词语，保留重要的词语。

  

二、sklearn中的TfidfVectorizer

代码示例：

#coding=utf-8
from sklearn.feature_extraction.text import TfidfVectorizer
document = ["I love natural language processing.",
            "I love artificial intelligence."]
tfidf_model = TfidfVectorizer().fit(document)
sparse_result = tfidf_model.transform(document) 
print(sparse_result)

结果：

  (0, 5)	0.534046329052269
  (0, 4)	0.534046329052269
  (0, 3)	0.37997836159100784
  (0, 2)	0.534046329052269
  (1, 3)	0.4494364165239821
  (1, 1)	0.6316672017376245
  (1, 0)	0.6316672017376245

三、sklearn：点互信息和互信息

1、点互信息PMI

• 机器学习相关文献里面，经常会用到点互信息PMI(Pointwise Mutual Information)这个指标来衡量两个事物之间的相关性（比如两个词）
  其原理很简单，公式如下：
  
• 在概率论中，我们知道，如果x跟y不相关，则p(x,y)=p(x)p(y)。二者相关性越大，则p(x, y)就相比于p(x)p(y)越大。用后面的式子可能更
  好理解，在y出现的情况下x出现的条件概率p(x|y)除以x本身出现的概率p(x)，自然就表示x跟y的相关程度。
  举个自然语言处理中的例子来说，我们想衡量like这个词的极性（正向情感还是负向情感）。我们可以预先挑选一些正向情感的词，比如good。然后我们算like跟good的PMI。

2、互信息MI

• 点互信息PMI其实就是从信息论里面的互信息这个概念里面衍生出来的。
  互信息即：
  
• 其衡量的是两个随机变量之间的相关性，即一个随机变量中包含的关于另一个随机变量的信息量。所谓的随机变量，即随机试验结果的量的表示，可以简单理解为按照一个概率分布进行取值的变量，比如随机抽查的一个人的身高就是一个随机变量。可以看出，互信息其实就是对X和Y的所有可能的取值情况的点互信息PMI的加权和。因此，点互信息这个名字还是很形象的。

3、sklearn示例

from sklearn import metrics as mr
mr.mutual_info_score(label,x)

label、x为list或array。
计算x和label的互信息。