Python 回忆录
2020/1/23
介绍TF,IDF
上一篇文章介绍了可以利用sklearn工具 把文章特征值化。文章特征值化最常见的应用就是 文章分类。比如说一篇文章经常提到一个词,那么这个文章的主题大概率就是和这个词相关。
像第一饼图 大概率讲的是和共享车相关,第二个饼图大概率讲的是和银行经济相关。像“我,明天,做”这些都是其他词语,其他词语的比例占的是最多的,所以这时候就要用到TF(term frequency),IDF (inverse document frequency)来确认词语的重要性。
TF:词语在文章中出现的频率
IDF: log(总文章数/该词出现的文档数)
词语的重要性: TF * IDF 所以说如果词语在很多文章中出现那么这个词的重要性就很低,方便我们进行分类判断。
TF-IDF 类的使用
sklearn.feature_extraction.text.TfidfVectorizer
- TfidfVectorizer(stop_words=None):返回词的权重矩阵