文章目录
- 文本特征抽取TfidVectorizer
- TfidVecorizer--------Tf-IDF
- TF-IDF------重要程度
文本特征抽取TfidVectorizer
前几种方法的缺点:有很多词虽然没意义,但是出现次数很多,会影响结果,有失偏颇------------关键词
TfidVecorizer--------Tf-IDF
思想:一个词在一篇文章中出现概率高,但是在其他文章很少出现------------认为这个很适合来分类
TF-IDF------重要程度
TF------------term frequency---------------------词频
IDF------------inverse document frequency----------逆向文档频率
from sklearn.feature_extraction.text import TfidfVectorizer
tfidf_vec = TfidfVectorizer()
documents = [
'this is the bayes document',
'this is the second second document',
'and the third one',
'is this the document'
]
tfidf_matrix = tfidf_vec.fit_transform(documents)
print('输出每个单词在每个文档中的 TF-IDF 值,向量里的顺序是按照词语的 id 顺序来的:', '\n', tfidf_matrix.toarray())
print('不重复的词:', tfidf_vec.get_feature_names())
print('输出每个单词对应的 id 值:', tfidf_vec.vocabulary_)
print('返回idf值:', tfidf_vec.idf_)
print('返回停用词表:', tfidf_vec.stop_words_)
🌸I could be bounded in a nutshell and count myself a king of infinite space.
特别鸣谢:木芯工作室 、Ivan from Russia