TF-IDF算法:
TfidfVectorizer()基于TF-IDF算法。此算法包括两部分TF和IDF,两者相乘得到TF-IDF算法。
TF算法统计某训练文本中,某个词的出现次数,计算公式如下:
或
IDF算法,用于调整词频的权重系数,如果一个词越常见,那么分母就越大,逆文档频率就越小越接近0。
TF-IDF算法=TF算法 * IDF算法。
文本特征提取方法一:CountVectorizer()+TfidfTransformer()
CountVectorizer()函数只考虑每个单词出现的频率;然后构成一个特征矩阵,每一行表示一个训练文本的词频统计结果。即,CountVectorizer是通过fit_transform函数将文本中的词语转换为词频矩阵。其思想是,先根据所有训练文本,不考虑其出现顺序,只将训练文本中每个出现过的词汇单独视为一列特征,构成一个词汇表(vocabulary list),该方法又称为词袋法(Bag of Words)。举例解释说明:
from sklearn.feature_extraction.text importCountVectorizer,TfidfVectorizer
texts=["orange banana apple grape","banana apple apple","grape", 'ora