机器学习——文本分类（TF-IDF）

首先，文本数据属于非结构化数据，一般要转换成结构化的数据，一般是将文本转换成“文档-词频矩阵”，矩阵中的元素使用词频或者TF-IDF。

TF-IDF的主要思想是：如果某一个词或短语在一篇文章中出现的频率高，并且在其他文章中很少出现，则认为此词或短语具有很好的类别区分能力，适合用于分类。TF-IDF=TF*IDF

IDF主要思想：如果包含词条t的文档越少，也就是n越小，IDF越到，则说明词条t具有很好的区分能力。

TF指的是某一个给定的词语在该文件中出现的频率，这是对词数的归一化，IDF是一个词语重要性的度量，IDF=log（D/Dn），其中对数以2为底，D为文本总数，Dn为该词在n个网页中出现过。具体证明推导可以参考《数学之美》中对于TF-IDF的介绍，其实IDF是一个特定条件下关键词的概率分布的交叉熵，是信息论中的内容。

from sklearn.datasets import load_files
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.naive_bayes import MultinomialNB
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier
from sklea