我正在努力弄清楚如何解释和调和sklearn TfidfVectorizer中的TF-IDF分数。
为了说明这一点,我有一个非常简单的示例:
from sklearn.feature_extraction.text import
TfidfVectorizer
data = ['dog is sitting on bed', 'cat is
sitting on sofa', 'where is that dog']
vector = TfidfVectorizer()
tfidf = vector.fit_transform(data)
df = pd.DataFrame(tfidf.toarray(), columns =
vector.get_feature_names())
df
结果是:
print(df)
如果我在第一句话中手动计算“ dog”的TF-IDF,我将计算TF 1/5 = 0.2,因为“ dog”是5个单词中的一个。然后,我将计算“狗”的IDF:它出现在3个句子中的2个中log(3/2)= 0.176。
然后乘以0.2 * 0.176 = 0.0352。
我的问题是第一行中“ dog”的0.433067数字是如何计算的?
最佳答案
您对tf-idf
的理解与sklearn
实现不同。
根据documentation,三件事导致您得到不同的结果:
术语频率是给定文档中术语的原始计数
将平滑应用于IDF值
进行归一化
要重新查看您的示例,让我们首先以这种方式修改TfidfVectorizer
:
vector = TfidfVectorizer(norm=None)
执行
fit_transform
之后,我们得到以下输出: bed cat dog is on sitting sofa that where
0 1.693147 0.000000 1.287682 1.0 1.287682 1.287682 0.000000 0.000000 0.000000
1 0.000000 1.693147 0.000000 1.0 1.287682 1.287682 1.693147 0.000000 0.000000
2 0.000000 0.000000 1.287682 1.0 0.000000 0.000000 0.000000 1.693147 1.693147
对于第一个句子和单词
dog
,术语频率为1,因为单词出现一次。 IDF不等于log(3/2)
,而是log(4/3)
;分子和分母都加1以防止被0除(可以通过传递smooth_idf=False
禁用此行为)。如预期,
1 + log(4/3)
大约等于1.287682
。如果然后执行L2归一化:
df.iloc[0] / ((df.iloc[0] ** 2).sum() ** 0.5)
我们看到我们得到与原始输出相同的输出:
bed 0.569431
cat 0.000000
dog 0.433067
is 0.336315
on 0.433067
sitting 0.433067
sofa 0.000000
that 0.000000
where 0.000000
Name: 0, dtype: float64
关于python - 从sklearn TfidfVectorizer解释TF-IDF分数,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/55292533/