轻松理解TF-IDF原理及应用

  在了解TF-IDF原理前，我们首先需要高清楚为啥需要它以及它能解决什么问题？下面我们先从以计数为特征的文本向量化来说起。

---

以计数特征文本向量化的不足

  计数特征，简单来讲就是统计每个特征词在文档中出现的次数，把次数作为特征的权重。因此在以计数特征文本分词并向量化后，我们可以得到词汇表中每个词在各个文本中形成的词向量，比如我们将下面4个短文本做了词频统计：
  corpus=[
      ”我 来到 风景 非常 美丽 的 杭州 喝 到了 非常 好喝 的 龙井”,
       “我 非常 喜欢 旅游”,
       “我 非常 喜欢 吃 苹果 “,
      ”我 非常 喜欢 看 电视”
          ]
    使用sklearn处理后得到的基于计数特征的词向量如下：

    如何我们直接将这以计数特征的12维特征作为每篇文档的特征向量，来进行文本分类，那么将会出现一个明显的问题。比如第一个文本，我们发现”杭州”,”龙井”和“风景”各出现1次，而“非常“出现了2次。单从计数特征来看似乎这个文本与”非常“这个特征更关系紧密。但是实际上”非常“是一个非常普遍的词，在4个短文本中都出现了，因此虽然它的词频为2，但是重要性却比词频为1的”“杭州”,”龙井”和“风景”要低的多，因为它在四个短文本区分度最低。但是，如果我们采用以计数为特征的向量化就无法反应这一点。因此我们需要进一步的预处理来反应文本的这个特征，而这个预处理就是TF-IDF。

---