对于教程,我想手动实现 TfidfVectorizer
正在做什么,只是为了显示后台发生的事情。在这个 Stack Overflow article 中,我发现了 TfidfVectorizer
是如何工作的。有了这个,以天真的方式实现它就很简单了,并且矢量化器的正确参数设置,输出确实是一样的。都好。
但是,现在我有点困惑: TfidfVectorizer
使用 tf
计算词频 CountVevtorizer
。这意味着 tf
只是一个整数,表示一个术语在文档中出现的次数。但通常文档 tf(t,d)
中词项 t
的词频 d
定义为:
tf(t,d) = (#occurrences of t in d) / (#terms in d)
所以词频是一个介于 0 和 1 之间的值。
这如何配合?为什么根据定义使用
TfidfVectorizer
术语计数而不是(标准化)频率。我认为这没什么大不了的,但我会理解它。 最佳答案
通常, TfidfVectorizer 用作下一个构造:
from sklearn.feature_extraction.text import TfidfVectorizer
features = ['1', '2', '3', '4', '5']
data = ['string1', 'string2', 'string3', 'string4', 'string5']
tfidfve = TfidfVectorizer()
tfidfve.fit_transform(data, features)
关于python - TfidfVectorizer 与 tf-idf 的定义,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/48561247/