数据竞赛：TF-IDF算法

TF-DF 算法

• 基本的概念和定义
• 算法的步骤
• 代码实践

定义

TF-IDF是Term Frequency - Inverse Document Frequency的缩写，即“词频-逆文本频率”。它由两部分组成，TF和IDF。
TFIDF实际上是：TF * IDF，TF词频(Term Frequency)，IDF逆向文件频率(Inverse Document Frequency)。TF表示词条在文档d中出现的频率。IDF的主要思想是：如果包含词条t的文档越少，也就是n越小，IDF越大，则说明词条t具有很好的类别区分能力。如果某一类文档C中包含词条t的文档数为m，而其它类包含t的文档总数为k，显然所有包含t的文档数n=m+k，当m大的时候，n也大，按照IDF公式得到的IDF的值会小，就说明该词条t类别区分能力不强。但是实际上，如果一个词条在一个类的文档中频繁出现，则说明该词条能够很好代表这个类的文本的特征，这样的词条应该给它们赋予较高的权重，并选来作为该类文本的特征词以区别与其它类文档。这就是IDF的不足之处. 在一份给定的文件里，词频（term frequency，TF）指的是某一个给定的词语在该文件中出现的频率。这个数字是对词数(term count)的归一化，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数，而不管该词语重要与否。）
来自百度百科的定义
简而言之，一般都的文档处理，基本都会用分词，统计词频等常规的方法啊， 但是，单纯词频的高低是无法衡量其重要性的。

算法

TF：

IDF：

TFIDF：

从上，我们可以看出如果包含词条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。

代码实现

   from sklearn.feature_extraction.text import TfidfVectorize
   vectorizer.fit(train_data['word_seg'])
   Xtrain=vectorizer.fit_transform(train_data['word_seg'])
   Xval=vectorizer.fit_transform(validation_data['word_seg'])

参考链接：
[1]:https://baike.baidu.com/item/tf-idf/8816134?fr=aladdin
[2]: https://www.cnblogs.com/pinard/p/6693230.html