TF-IDF
TF-IDF(Term Frequency -Inverse Document Frequency)是有TF和IDF两部分组成,TF指的词频,IDF指的是逆文本频率,用来反映一个词在文本中的出现频率,最后TF-IDF是有两部分乘积表示;
文本矩阵化
文本矩阵化,使用词袋模型,以TF-IDF特征值为权重,可以考虑使用Python中的TfidTransformer库
互信息
互信息是衡量两个随机变量的相关性,也就是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。 可以看出,互信息其实就是对X和Y的所有可能的取值情况的点互信息PMI的加权和。
I
(
X
;
Y
)
=
∑
x
∈
X
∑
y
∈
Y
p
(
x
,
y
)
log
p
(
x
,
y
)
p
(
x
)
p
(
y
)
I(X ; Y)=\sum_{x \in X} \sum_{y \in Y} p(x, y) \log \frac{p(x, y)}{p(x) p(y)}
I(X;Y)=x∈X∑y∈Y∑p(x,y)logp(x)p(y)p(x,y)
使用第二步生成的特征矩阵,利用互信息进行特征筛选
from sklearn import metrics as mr
mr.mutual_info_score(tfidf,x)