对于教程,我想手动实现 TfidfVectorizer
正在执行的操作,只是为了显示后台发生的情况。在此Stack Overflow article我发现了 TfidfVectorizer
的工作原理。这样,就可以简单地以简单的方式实现它,并且通过矢量化器的正确参数设置,输出确实是相同的。一切都好。
但是,现在我有点困惑:TfidfVectorizer
使用 CountVevtorizer
计算术语频率 tf
。这意味着 tf 只是一个表示文档中术语出现次数的整数。但通常文档d
中术语t
的术语频率tf(t,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。
这是如何结合在一起的?为什么根据定义使用 TfidfVectorizer 来计算术语计数而不是(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/