自然语言处理4——TF-IDF及特征提取

1. TF-IDF原理

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，也就是这两部分的乘积。
TF指的就是常用的词频。
IDF，即“逆文本频率”。其实，不考虑停用词的话，一些词在所有文本都会出现，其词频虽然高，但是重要性却应该比词频低的一些关键词要低。IDF就是用来反应词的重要性的，进而修正仅仅用词频表示的词特征值。
概括来讲， IDF反应了一个词在所有文本中出现的频率，如果一个词在很多的文本中出现，那么它的IDF值应该低，。反过来如果一个词在比较少的文本中出现，那么它的IDF值应该高。。这样的词IDF值应该高。一个极端的情况，如果一个词在所有的文本中都出现，那么它的IDF值应该为0。
下面对IMDB数据集（英文）训练集neg部分用sklearn进行TF-IDF计算（主要代码如下）：

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer

def tf_idf(vectorizer, sentlist):
	vectorizer = CountVectorizer(min_df=1)
    transformer = TfidfTransformer(stop_words=stopwords)
    tfidf = transformer.fit_transform(vectorizer.fit_transform(sentlist))
    return tfidf

这里是我得到的部分TF-IDF结果：

另外，还可以用 TfidfVectorizer，详细参考 https://blog.csdn.net/m0_37324740/article/details/79411651

2. 文本矩阵化

以TF-IDF特征值为权重，使TfidfTransformer，只需要将上边得到的TF-IDF结果转换为矩阵即可；

tfidf.toarray()

以下是我截取的部分结果（可能我代码没处理好，写文件时候内容太大了会发生内存溢出，先记录一下，后边想办法优化）：

3. 互信息的原理

互信息（Mutual Information） 定义为：${\sum }_{x\in X}{\sum }_{y\in Y}p(x,y)\log (\frac{p(x,y)}{p(x)p(y)})$
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。
参考博文：https://blog.csdn.net/u013710265/article/details/72848755

4. 使用第二步生成的特征矩阵，利用互信息进行特征筛选

使用sklearn 计算x和label的互信息：

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

这里由于时间有限，我上边只处理了IMDB数据集（英文）neg部分，暂时先不在这里进行实现，后边用其他案例补充。

参考

[1] https://blog.csdn.net/m0_37324740/article/details/79411651
[2] https://blog.csdn.net/u013710265/article/details/72848755