001 常见特征词提取
tf-idf http://www.ruanyifeng.com/blog/2013/03/tf-idf.html
chi https://blog.csdn.net/hubin232/article/details/81272126 【比较新】
sklearn里面算的是每个文本的tdidf向量,max_features是对所有词得频率进行降序排序只取前max_features个词。加上之前参考了 https://github.com/chenfei0328/BayesProject
思路就被局限在了所有文本建一个总的矩阵再进行降维,后来被大佬提点,才转了思路。
002 实现
我们做的时候的大致思路:
- 每类文本利用tf-idf提取一定数目的特征词,组成该类文本的特征词典
- 所有的文本算CHI提取特征词
(听老师说还有用CHI*TF-IDF来降维的,别的区特征的方法比如IG也可以)
写的时候计数老有问题,同一类的数据是一样的。发现是拷贝和引用没有弄清楚。
统计词频
每类文档的数目懒得贴了
#统计词频和文档数,考虑词频来计算CHI
#wroddict={tf:出现次数;total:该类总单词数;idf:出现的文档数目}
import json
import os
from collections import Counter
import time
def count_words(cut_path):
cate=os.listdir(cut_path)
wordDict={'total':{}}
for i,category in en