机器学习::文本特征提取(TF-IDF) - 第二部分

阅读本教程的第一部分:Text feature extraction (tf-idf) – Part I

这个职位是一个Continuation在哪里,我们开始学习有关文本特征提取和向量空间模型表示的理论和实践的第一部分。我真的建议你Ťo read the first part后一系列以遵循这个第二。

由于很多人喜欢这个教程的第一部分,该第二部分是比第一个长一点。

介绍

在第一篇文章中,我们学会了如何使用长期频Ťo represent textual information in the vector space. However, the main problem with the term-frequency approach is that it scales up frequent terms and scales down rare terms which are empirically more informative than the high frequency terms. The basic intuition is that a term that occurs frequently in many documents is not a good discriminator, and really makes sense (at least in many experimental tests); the important question here is: why would you, in a classification problem for instance, emphasize a term which is almost present in the entire corpus of your documents ?

在TF-IDF权重来解决这个问题。什么TF-IDF给出的是如何重要的是一个集合中的文档的话,这就是为什么TF-IDF结合本地和全球的参数,因为它考虑到不仅需要隔离的期限,但也文献集内的术语。什么TF-IDF然后做来解决这个问题,是缩小,同时扩大了难得的条件频繁的条款;出现比其他的10倍以上期限不为10倍比它更重要的是,为什么TF-IDF采用对数刻度的做到这一点。

但是,让我们回到我们的定义\ mathrm {TF}(T,d)which is actually the term count of the termŤ在文档中d。使用这种简单的词频可能导致我们一样的问题滥用关键字,这是当我们有一个文档中的术语重复以改善上的IR其排名的目的(信息检索) system or even create a bias towards long documents, making them look more important than they are just because of the high frequency of the term in the document.

为了克服这个问题,词频\ mathrm {TF}(T,d)上的矢量空间中的文件的通常也归一化。让我们来看看我们是如何规范这一载体。

矢量归

Suppose we are going to normalize the term-frequency vector\ {VEC V_ {D_4}}我们在本教程的第一部分已经计算。该文件D4from the first part of this tutorial had this textual representation:

D4:我们可以看到闪亮的阳光,明亮的阳光下。

和使用该文件的非归一化项频向量空间表示为:

\ {VEC V_ {D_4}} =(0,2,1,0)

规范化的向量,是一样的说话g the单位向量矢量,而他们使用的是“帽子”符号表示:\帽子{V}。The definition of the unit vector\帽子{V}一个向量的\ VEC {V}是:

\的DisplayStyle \帽子{V} = \压裂{\ vec的{V}} {\ | \ vec的{V} \ | _p}

\帽子{V}是单位矢量,或者归一化矢量,所述\ VEC {V}在矢量将被归一化和\ | \ VEC {V} \ | _p是很正常的(大小、长度)的向量\ VEC {V}in theL ^ p空间(别担心,我将所有的解释)。

The unit vector is actually nothing more than a normalized version of the vector, is a vector which the length is 1.

The normalization process (Source: http://processing.org/learning/pvector/)
The normalization process (Source: http://processing.org/learning/pvector/)

但这里的重要问题是如何向量的长度来计算,并明白这一点,你必须了解的动机L ^ pspaces, also called勒贝格空间

勒贝格空间

How long is this vector ? (Source: Source: http://processing.org/learning/pvector/)
How long is this vector ? (Source: Source: http://processing.org/learning/pvector/)

通常,一个矢量的长度\ {VEC U】=(U_1,U_2,U_3,\ ldots,u_n)使用计算欧几里得范-一个准则是在矢量空间中分配一个严格正长度或大小于所有矢量的函数- ,其被定义为:

(Source: http://processing.org/learning/pvector/)
(Source: http://processing.org/learning/pvector/)

\ | \ VEC【U} \ |= \ SQRT【U ^ 2_1 + U ^ 2_2 + U ^ 2_3 + \ ldots + U ^ 2_n}

But this isn’t the only way to define length, and that’s why you see (sometimes) a numberp符合规范的符号,就像在了一起\ | \ VEC【U} \ |_p。That’s because it could be generalized as:

\的DisplayStyle \ | \ VEC【U} \ | _p =(\左| U_1 \右| ^ P + \左| U_2 \右| ^ P + \左| U_3 \右| ^ P + \ ldots + \左|u_n \右| ^ p)^ \压裂{1} {p}

并简化为:

\displaystyle \|\vec{u}\|_p = (\sum\limits_{i=1}^{n}\left|\vec{u}_i\right|^p)^\frac{1}{p}

So when you read about aL2-norm,你正在阅读关于欧几里得范,a norm withp = 2时用于测量的矢量的长度的最常用标准,通常称为“大小”;其实,当你有一个不合格的长度测量(不pñumber), you have theL2-norm(欧几里得范数)。

当你阅读一L1范你正在阅读与规范P = 1,defined as:

\的DisplayStyle \ | \ VEC【U} \ | _1 =(\左| U_1 \右| + \左| U_2 \右| + \左| U_3 \右| + \ ldots + \左| u_n \右|)

这无非是向量的组件的简单相加,也被称为Taxicab distance,也被称为曼哈顿距离。

出租车几何与欧几里得距离:在出租车几何所有三个描绘线具有对于相同的路径具有相同的长度(12)。在欧几里德几何,绿色的线有长度,6 \倍\ SQRT {2} \约8.48,和是个unique shortest path.
资源:维基百科::出租车几何

请注意,您也可以使用任何规范正常化的载体,但我们将使用最常用的规范,L2范数,这也是在0.9版本的默认scikits.learn。You can also find papers comparing the performance of the two approaches among other methods to normalize the document vector, actually you can use any other method, but you have to be concise, once you’ve used a norm, you have to use it for the whole process directly involving the norm (a unit vector that used a L1-norm isn’t going to have the length 1 if you’re going to take its L2-norm later)。

返回矢量归

现在你知道了矢量正常化进程是什么,我们可以尝试一个具体的例子,使用L2范数的过程(我们现在使用正确的术语),以规范我们的矢量\ {VEC V_ {D_4}} =(0,2,1,0)in order to get its unit vector\ {帽子V_ {D_4}}。为了做到这一点,我们将简单的将其插入单位矢量的定义,对其进行评估:

\帽子{V}= \frac{\vec{v}}{\|\vec{v}\|_p} \\ \\  \hat{v_{d_4}} = \frac{\vec{v_{d_4}}}{||\vec{v_{d_4}}||_2} \\ \\ \\  \hat{v_{d_4}} = \frac{(0,2,1,0)}{\sqrt{0^2 + 2^2 + 1^2 + 0^2}} \\ \\  \hat{v_{d_4}} = \frac{(0,2,1,0)}{\sqrt{5}} \\ \\  \small \hat{v_{d_4}} = (0.0, 0.89442719, 0.4472136, 0.0)

这就是它!我们的法矢\ {帽子V_ {D_4}}现在有一个L2范\ | \帽子{V_ {D_4}} \ | _2 = 1.0

请注意,这里我们归我们词频文档向量,但后来我们要做的是,TF-IDF的计算后。

The term frequency – inverse document frequency (tf-idf) weight

现在你已经了解了矢量归在理论和实践是如何工作的,让我们继续我们的教程。假设你有你的收藏(从教程的第一部分拍摄)在下列文件:

火车文档集:D1:天空是蓝色的。D2:阳光灿烂。测试文档集:D3:在天空,阳光灿烂。D4:我们可以看到闪亮的阳光,明亮的阳光下。

您的文档空间可以那么作为被定义d = \ {D_1,D_2,\ ldots,D_N \}哪里ñ是在你的文集文档的数量,并在我们的情况下,D_{train} = \{d_1, d_2\}D_ {测试} = \ {D_3,D_4 \}。我们的文档空间的基数被定义\左| {{D_火车}} \右|= 2\left|{D_{test}}\right| = 2,因为我们只有2两个用于训练和测试文档,但他们显然并不需要有相同的基数。

现在让我们看看,然后是如何IDF(逆文档频率)定义:

\displaystyle \mathrm{idf}(t) = \log{\frac{\left|D\right|}{1+\left|\{d : t \in d\}\right|}}

哪里\left|\{d : t \in d\}\right|是个文件数其中术语Ť出现,术语频率函数满足当\ mathrm {TF}(T,d)\neq 0,我们只加1代入公式,以避免零分。

为TF-IDF式则是:

\ mathrm {TF \ MBOX { - } IDF}(T)= \ mathrm {TF}(T,d)\倍\ mathrm {IDF}(t)的

和该公式具有重要的后果:当你有给定文档中高词频(TF)达到TF-IDF计算的高权重(本地参数)和整个集合中的术语的低文档频率(global parameter)。

Now let’s calculate the idf for each feature present in the feature matrix with the term frequency we have calculated in the first tutorial:

M_ {}列车=  \begin{bmatrix}  0 & 1 & 1 & 1\\  0 & 2 & 1 & 0  \end{bmatrix}

因为我们有4个特点,我们要计算\mathrm{idf}(t_1)\mathrm{idf}(t_2)\mathrm{idf}(t_3)\mathrm{idf}(t_4)

\ mathrm {IDF}(T_1)= \日志{\压裂{\左| d \右|} {1+ \左| \ {d:T_1 \在d \} \右|}} = \日志{\压裂{2} {1}} = 0.69314718

\ mathrm {IDF}(T_2)= \日志{\压裂{\左| d \右|} {1+ \左| \ {d:T_2 \在d \} \右|}} = \日志{\压裂{2} {3}} = -0.40546511

\mathrm{idf}(t_3) = \log{\frac{\left|D\right|}{1+\left|\{d : t_3 \in d\}\right|}} = \log{\frac{2}{3}} = -0.40546511

\ mathrm {IDF}(T_4)= \日志{\压裂{\左| d \右|} {1+ \左| \ {d:T_4 \在d \} \右|}} = \日志{\压裂{2} {2}} = 0.0

这些IDF权重可以由矢量作为表示:

\ {VEC {idf_列车}}= (0.69314718, -0.40546511, -0.40546511, 0.0)

现在,我们有我们的词频矩阵(M_ {}列车)和表示我们的矩阵的每个特征的IDF(矢量\ {VEC {idf_列车}}),我们可以计算出我们的TF-IDF权重。我们要做的是矩阵中的每一列的简单乘法M_ {}列车with the respective\ {VEC {idf_列车}}向量维度。要做到这一点,我们可以创建一个正方形diagonal matrixCalledM_ {} IDFwith both the vertical and horizontal dimensions equal to the vector\ {VEC {idf_列车}}尺寸:

M_ {} IDF=   \begin{bmatrix}   0.69314718 & 0 & 0 & 0\\   0 & -0.40546511 & 0 & 0\\   0 & 0 & -0.40546511 & 0\\   0 & 0 & 0 & 0   \end{bmatrix}

和ñmultiply it to the term frequency matrix, so the final result can be defined then as:

M_ {TF \ MBOX { - }} IDF= M_{train} \times M_{idf}

请注意,矩阵乘法是不可交换的,结果A \乘以Bwill be different than the result of the乙\一个时代,这就是为什么M_ {} IDF是对乘法的右侧,以完成每个IDF值到其对应的特征相乘的期望的效果:

\begin{bmatrix}   \mathrm{tf}(t_1, d_1) & \mathrm{tf}(t_2, d_1) & \mathrm{tf}(t_3, d_1) & \mathrm{tf}(t_4, d_1)\\   \mathrm{tf}(t_1, d_2) & \mathrm{tf}(t_2, d_2) & \mathrm{tf}(t_3, d_2) & \mathrm{tf}(t_4, d_2)   \end{bmatrix}   \times   \begin{bmatrix}   \mathrm{idf}(t_1) & 0 & 0 & 0\\   0 & \mathrm{idf}(t_2) & 0 & 0\\   0 & 0 & \mathrm{idf}(t_3) & 0\\   0 & 0 & 0 & \mathrm{idf}(t_4)   \end{bmatrix}   \\ =   \begin{bmatrix}   \mathrm{tf}(t_1, d_1) \times \mathrm{idf}(t_1) & \mathrm{tf}(t_2, d_1) \times \mathrm{idf}(t_2) & \mathrm{tf}(t_3, d_1) \times \mathrm{idf}(t_3) & \mathrm{tf}(t_4, d_1) \times \mathrm{idf}(t_4)\\   \mathrm{tf}(t_1, d_2) \times \mathrm{idf}(t_1) & \mathrm{tf}(t_2, d_2) \times \mathrm{idf}(t_2) & \mathrm{tf}(t_3, d_2) \times \mathrm{idf}(t_3) & \mathrm{tf}(t_4, d_2) \times \mathrm{idf}(t_4)   \end{bmatrix}

现在让我们来看看这个乘法的一个具体的例子:

M_ {TF \ MBOX { - }} IDF= M_{train} \times M_{idf} = \\   \begin{bmatrix}   0 & 1 & 1 & 1\\   0 & 2 & 1 & 0   \end{bmatrix}   \times   \begin{bmatrix}   0.69314718 & 0 & 0 & 0\\   0 & -0.40546511 & 0 & 0\\   0 & 0 & -0.40546511 & 0\\   0 & 0 & 0 & 0   \end{bmatrix} \\   =   \begin{bmatrix}   0 & -0.40546511 & -0.40546511 & 0\\   0 & -0.81093022 & -0.40546511 & 0   \end{bmatrix}

And finally, we can apply our L2 normalization process to theM_ {TF \ MBOX { - }} IDF矩阵。Please note that this normalization is“逐行”因为我们要处理矩阵的每一行作为一个分离向量进行归一化,而不是矩阵作为一个整体:

M_ {TF \ MBOX { - } IDF} = \压裂{M_ {TF \ MBOX { - } IDF}} {\ | M_ {TF \ MBOX { - } IDF} \ | _2} = \begin{bmatrix}   0 & -0.70710678 & -0.70710678 & 0\\   0 & -0.89442719 & -0.4472136 & 0   \end{bmatrix}

这就是我们的我们的测试文档集,这实际上是单位向量的集合的漂亮归TF-IDF权重。如果你把矩阵的每一行的L2范数,你会发现它们都具有1的L2范数。

Python的实践

环境中使用Python的v.2.7.2Numpy 1.6.1Scipy v.0.9.0Sklearn(Scikits.learn)v.0.9

Now the section you were waiting for ! In this section I’ll use Python to show each step of the tf-idf calculation using theScikit.learn特征提取模块。

第一步是创建我们的训练和测试文档集和计算词频矩阵:

从sklearn.feature_extraction.text进口CountVectorizer train_set =(“天空是蓝色的。”,“阳光灿烂”。)TEST_SET =(“在天空中的太阳是光明的。”,“我们可以看到闪耀的太阳,。明亮的太阳“)count_vectorizer = CountVectorizer()count_vectorizer.fit_transform(train_set)打印 ”词汇“,count_vectorizer.vocabulary#词汇:{ '蓝':0, '太阳':1, '鲜艳':2 '天空':3} freq_term_matrix = count_vectorizer.transform(TEST_SET)打印freq_term_matrix.todense()#[[0 1 1 1]#[0 2 1 0]]

现在,我们有频率项矩阵(称为freq_term_matrix),我们可以实例化TfidfTransformer,这将是负责来计算我们的词频矩阵TF-IDF权重:

从进口sklearn.feature_extraction.text TFIDF TfidfTransformer = TfidfTransformer(NORM = “L2”)tfidf.fit(freq_term_matrix)打印 “IDF:”,tfidf.idf_#IDF:[0.69314718 -0.40546511 -0.40546511 0]

Note that I’ve specified the norm as L2, this is optional (actually the default is L2-norm), but I’ve added the parameter to make it explicit to you that it it’s going to use the L2-norm. Also note that you can see the calculated idf weight by accessing the internal attribute calledidf_。现在适合()方法计算矩阵中的IDF上,让我们改造freq_term_matrix到TF-IDF权重矩阵:

tf_idf_matrix= tfidf.transform(freq_term_matrix) print tf_idf_matrix.todense() # [[ 0. -0.70710678 -0.70710678 0. ] # [ 0. -0.89442719 -0.4472136 0. ]]

And that is it, thetf_idf_matrixis actually our previousM_ {TF \ MBOX { - }} IDF矩阵。您可以通过使用达到相同的效果矢量器类Scikit.learn的这是一个矢量器自动结合CountVectorizerTfidfTransformer给你。看到这个例子要知道如何使用它的文本分类过程。

I really hope you liked the post, I tried to make it simple as possible even for people without the required mathematical background of linear algebra, etc. In the next Machine Learning post I’m expecting to show how you can use the tf-idf to calculate the cosine similarity.

如果你喜欢,随时提出意见和建议,修改等。

引用本文为:基督教S. Perone,“机器学习::文本特征提取(TF-IDF) - 第二部分”,在亚洲金博宝未知领域,03/10/2011,//www.cpetem.com/2011/10/machine-learning-text-feature-extraction-tf-idf-part-ii/

References

Understanding Inverse Document Frequency: on theoretical arguments for IDF

维基百科:: TF-IDF

The classic Vector Space Model

Sklearn文本特征提取码

更新

13 Mar 2015-Formating, fixed images issues.
2011 10月3日-添加了有关使用Python示例环境信息

103个想法“机器学习::文本特征提取(TF-IDF) - 第二部分”

  1. Wow!
    完美的前奏在TF-IDF,非常感谢你!亚洲金博宝亚洲金博宝很有意思,我想学这个领域很长一段时间,你的职位是一个真正的礼物。这将是非常有趣的阅读更多亚洲金博宝关于该技术的使用情况。而且可能是你有兴趣,请,摆脱对文本语料库表示的其他方法的一些光,如果他们存在?
    (对不起,糟糕的英语,我正在努力对其进行改进,但仍然有很多工作要做的)

  2. 出色的工作基督徒!我期待着阅读的文档分类你的下一个职位,聚类和主题提取朴素贝叶斯,随机梯度下降,Minibatch-K均值和非负矩阵分解

    而且,scikit学习的文档上的文本特征提取部分(我是罪魁祸首?)真的很差。如果你想给一个手并改善目前的状况,不要犹豫,加入邮件列表。

    1. 十分感谢奥利弗。我真的想帮助sklearn,我只是得到一些更多的时间来做到这一点,你们都做了伟大的工作,我真的在lib中已经实现的算法量折服,保持良好的工作!

  3. 我喜欢这个教程的新概念我在这里学习水平较好。
    这就是说,学习scikits您正在使用哪个版本?
    最新通过的easy_install安装似乎有不同的模块层次结构(即没有找到sklearn feature_extraction)。如果你能提到你使用的版本,我只是尝试用这些例子。

    1. 您好阿南德,我很高兴你喜欢它。我已经增加了大约只用一节“的Python惯例”之前,我使用的是scikits.learn 0.9(发布在几个星期前)环境的信息。

  4. 哪里是第3部分?我必须提交在4天内向量空间模型的分配。把它在周末的希望吗?

  5. 由于基督徒!与s亚洲金博宝klearn向量空间很不错的工作。我只有一个问题,假设我已经计算了“tf_idf_matrix”,我想计算成对余弦相似性(每行之间)。我是有问题的稀疏矩阵格式,你可以请给出这样的例子?也是我的基质是相当大的,由60K说25K。非常感谢!

  6. 伟大的职位......我明白了什么TF-IDF以及如何与一个具体的例子实施。但我发现2周的事情,我不知道:
    1-你调用2维矩阵M_train,但它具有D3和D4文件的TF值,所以你应该已经给那矩阵M_test而不是M_train。由于D3和D4是我们的测试文档。
    2- When you calculate the idf value for the t2 (which is ‘sun’) it should be log(2/4). Because number of the documents is 2. D3 has the word ‘sun’ 1 time, D4 has it 2 times. Which makes it 3 but we also add 1 to that value to get rid of divided by 0 problem. And this makes it 4… Am I right or am I missing something?
    谢谢。

    1. 你是正确的:这些都是优秀的博客文章,但作者真的有责任/责任回去和纠正错误,这样的(和其他人,例如,第1部分; ...):缺席训练下划线;设置STOP_WORDS参数;还我的电脑上,词汇索引是不同的。

      正如我们赞赏的努力(荣誉的作者!),它也是一个显著伤害那些谁斗争过去在原有材料的(未修正)的错误。

      1. 回复:我“你是正确的注释”(上),我应该补充:

        “......还注意到康斯登Passot的评论(下同)关于分母:

        “......我们用的是什么确实是在发生的一个术语,无论任何给定的文档中出现的术语次数的文件数量。在这种情况下,然后,在用于T2(“太阳”)的IDF值分母确实2 + 1(2个文件具有“太阳”术语,1以避免潜在的零分割误差)。“

    2. 哈立德,
      This is a response to a very old question. However, I still want to respond to communicate what I understand from the article.
      Your question 2: “When you calculate the idf value for the t2 (which is ‘sun’) it should be log(2/4)”
      我的理解:在数项的分母应该是(一些文件,其中术语出现+ 1),而不是长期的频率。术语“太阳”出现的文件的数目是2(1次在D3和D4中的2倍 - 完全出现3次在两个文件3是频率和2是文件号)。因此,分母为2 + 1 = 3。

  7. excellent post!
    I have some question. From the last tf-idf weight matrix, how can we get the importance of term respectively(e.g. which is the most important term?). How can we use this matrix to classify documents

  8. 非常感谢。你在这样一个简单的方法来解释它。这是非常有用的。再次感谢了很多。

  9. 我有同样的疑问,杰克(最后的评论)。从上个TF-IDF权重矩阵,我们怎么能拿到各自任期的重要性(例如,这是最重要的用语?)。我们如何利用这个矩阵来区分文档。

  10. 我有个问题..
    在TF-IDF操作后,我们得到与值的numpy的阵列。假设我们需要从阵列中获得最高50个值。我们怎样才能做到这一点?

    1. F(IDF)的高值,表示特定载体(或文件)具有较高的局部强度和低全球实力,在这种情况下,你可以假设,在它的条款具有很高的重要性本地和不能忽视的。针对funtion(TF),其中只有长期重复大量的时间给予更多重视的那些,其中大部分时间是不正确的建模技术比较。

  11. 嘿,
    感谢名单FR d code..was的确非亚洲金博宝常有帮助!

    1.For document clustering,after calculating inverted term frequency, shud i use any associativity coefficient like Jaccards coefficient and then apply the clustering algo like k-means or shud i apply d k-means directly to the document vectors after calculating inverted term frequency ?

    2.您是如何评价倒词频为calcuating文档向量文本聚类?

    由于一吨FR第四到来的答复!

  12. @Khalid:你在1-指出什么让我困惑过了一分钟(M_train VS M_test)。我想你误会了你的第二点,不过,因为我们用的是什么是真正发生的一个术语,无论任何给定的文档中出现的术语次数的文件数量。在这种情况下,那么,在为T2(“太阳”)的IDF值分母确实2 + 1(2个文件具有的术语“太阳”,1以避免潜在的零分割误差)。

    我喜欢阅读本系列的第三批呢!我特别想了解更多有关特征选择。是否有一个惯用的方式来获得最高的分数TF.IDF条款的排序列表?你将如何确定这些方面的整体?你将如何得到这是最负责高或低的余弦相似度(逐行)的条款?

    Thank you for the _great_ posts!

  13. 优秀文章和一个伟大的介绍TD-IDF正常化。

    你必须解释这些复杂的概亚洲金博宝念非常清晰,结构化的方法。

    Thanks!

      1. very good & infomative tutorial…. please upload more tutorials related to documents clustering process.

  14. 您可以为使用TFIDF所以我们有TFIDF的矩阵,我们怎么可以用它来计算余弦做余弦相似度任何引用。感谢神奇的物品。

  15. 请纠正我,如果我拨错
    从“频率后的公式Calculated in the first tutorial:” should Mtest not Mtrain. also after starting ‘These idf weights can be represented by a vector as:” should be idf_test not idf_train.

    顺便说一句伟大的系列赛,你可以给如何实施分类的简单的方法?

  16. 亚洲金博宝很不错的职位。恭喜!!

    Showing your results, I have a question:

    我读了维基百科:
    成比例的TF-IDF值增加到的次数的字出现在文档中,但是通过在语料库中的字,这有助于控制的事实,一些词语通常比另一些更常见的频率偏移。

    当我看到它,我明白,如果一个字中的所有文档apperars就是一个字只出现在一个文档中不太重要的:

    然而,在结果中,“太阳”或“明亮”是比“天空”最重要的。

    我不知道的完全地理解它。

  17. Terrific! I was familiar with tf-idf before but I found your scikits examples helpful as I’m trying to learn that package.

  18. Excellent post! Stumbled on this by chance looking for more information on CountVectorizer, but I’m glad I read through both of your posts (part 1 and part 2).

    现在用书签您的博客

  19. Does not seem to fit_transform() as you describe..
    任何想法,为什么?
    >>> TS
    (“天空是蓝色的”,“阳光灿烂”)
    >>> v7 = CountVectorizer()
    >>> v7.fit_transform(ts)
    <2×2 sparse matrix of type '’
    用4个存储元件在坐标格式>
    >>>打印v7.vocabulary_
    {u'is’:0,u'the”:1}

    1. 其实,还有第一个Python样本中的两个小错误。
      1. CountVectorizer应该被实例化,如下所示:
      count_vectorizer = CountVectorizer(STOP_WORDS = '英语')
      This will make sure the ‘is’, ‘the’ etc are removed.

      2. To print the vocabulary, you have to add an underscore at the end.
      打印“词汇:” count_vectorizer.vocabulary_

      优秀的教程,只是小事情。hoep它可以帮助别人。

      1. 由于灰。虽然文章是相当自我解释的,您的评论使整个差异。

  20. 感谢您抽出时间来写这篇文章。发现它非常有用。亚洲金博宝

  21. Thanks for the great explanation.

    我有一个关于IDF(T#)的计算问题。
    在第一种情况下,你写的IDF(T1)=日志(2/1),因为我们没有我们收集此类条款,因此,我们添加1分母。现在,在T2的情况下,你写的日志(2/3),所以分母等于3,而不是4(= 1 + 2 + 1)?万一t3时,你写:日志(2/3),从而分母等于3(= 1 + 1 + 1)。我在这里看到的那种不一致性。你能不能,请解释一下,你是怎么计算的分母值。

    Thanks.

    1. 你理解错了,分母你不把这个词的总和每个文档中,你只是总结所有具有词的至少一个aparition的文件。

  22. 这是很好的,如果你能提供的方式来知道如何使用FT-IDF中的文档分类。我看到示例(Python代码),但如果有算法是最好的,因为没有所有的人都能理解这种语言。

    Thanks

  23. 尼斯。一种解释有助于正确看待这个事情。是TF-IDF的好办法做聚类(例如,从已知的语料用杰卡德分析或方差相对于平均值设定)?

    继续写:)

  24. 嗨基督徒,

    It makes me very excited and lucky to have read this article. The clarity of your understanding reflects in the clarity of the document. It makes me regain my confidence in the field of machine learning.

    由于一吨为美丽的解释。

    想从你更多。

    Thanks,

  25. 谢谢你的良好的收官之作。你提到一些这比较L1和L2规范的论文,我计划研究,多一点深入。你还知道他们的名字?

  26. 我如何能计算TF IDF为自己的文本文件,它位于一些地方在我的电脑?

  27. Brilliant article.

    By far the easiest and most sound explanation of tf-tdf I’ve read. I really liked how you explained the mathematics behind it.

  28. 嗨,great post! I’m using the TfidVectorizer module in scikit learn to produce the tf-idf matrix with norm=l2. I’ve been examining the output of the TfidfVectorizer after fit_transform of the corpora which I called tfidf_matrix. I’ve summed the rows but they do not sum to 1. The code is vect = TfidfVectorizer(use_idf=True, sublunar_tf=True, norm=”l2). tfidf_matrix = vect.fit_transform(data). When I run tfidf_matrix.sum(axis=1) the vectors are larger than 1. Perhaps I’m looking at the wrong matrix or I misunderstand how normalisation works. I hope someone can clarify this point! Thanks

  29. Can I ask when you calculated the IDF, for example, log(2/1), did you use log to base 10 (e) or some other value? I’m getting different calculations!

  30. Great tutorial, just started a new job in ML and this explains things very clearly as it should be.

  31. Execellent帖子...。!非常感谢这篇文章。

    但是,我需要更多的信息,当你展示实际使用python,你可以为它提供JAVA语言..

  32. 我有点困惑,为什么TF-IDF在这种情况下,给出了负数?我们如何解读?纠正我,如果我错了,但是当载体为正值,这意味着该组件的大小确定字是该文件中有多么重要。如果是负数,我不知道如何解释它。如果我是采取向量的点积与所有积极的部件和一个负组件,这将意味着,一些部件可能负点积贡献,即使在载体有一个特定的词非常高的重视。亚洲金博宝

  33. 嗨,
    非常感谢您对这个主题这个详细的解释,真是太好了。无论如何,你可以给我一个提示,这可能是我的错误,我不断看到的来源:

    freq_term_matrix= count_vectorizer.transform(test_set)
    AttributeError: ‘matrix’ object has no attribute ‘transform’

    我使用sklearn的版本错误?

  34. 真棒简单而有效的explaination.Please发布更多的话题与这样真棒explainations.Looking着为即将到来的文章。
    Thanks

  35. 谢谢克里斯,你是唯一一个谁是明确了对角矩阵在网络上。

  36. 我明白了TF-IDF计算处理。不过这是什么矩阵均值,以及我们如何使用TFIDF矩阵计算相似度让我困惑。你能解释一下,我们如何利用TFIDF矩阵.thanks

  37. 最好的解释..非常有帮助。亚洲金博宝你能告诉我如何绘制矢量文本分类的SVM ..我在微博分类工作。我很困惑,请帮助我。

  38. 您好,我很抱歉,如果我有错,但我不明白是怎么|| VD4 || 2 = 1。
    Ťhe value of d4 = (0.0 ,0.89,0.44,0.0) so the normalization will be = sqrt( square(.89)+square(.44))=sqrt(.193) = .44
    所以我有没有遗漏了什么?请帮我明白了。

  39. 嗨,这是一个伟大的博客!
    如果我需要做双克的情况下,我该如何使用sklearn来完成呢?

  40. 这是非常大的亚洲金博宝。我喜欢你教。亚洲金博宝非常非常好

  41. 我没有得到相同的结果,当我执行相同的脚本。
    print (“IDF:”, tfidf.idf_) : IDF: [ 2.09861229 1. 1.40546511 1. ]

    我的Python版本:3.5
    Scikit Learn version is: o.18.1

    什么我需要改变?可能是什么可能的错误?

    谢谢,

    1. 它可以是很多东西,因为你使用的是不同的Python解释器的版本也不同Scikit-学习版,你应该会在结果的差异,因为他们可能已经改变了默认参数,算法,圆等

  42. Perfect introduction!
    No hocus pocus. Clear and simple, as technology should be.
    Very helpful
    非常感谢你。亚洲金博宝
    请发帖!
    Obrigado

  43. 为什么| d |= 2,在IDF方程。它不应该是4,因为| d |代表的审议的文件数量,我们有2从测试,2个来自火车。

  44. hey , hii Christian
    your post is really helpful to me to understand tfd-idf from the basics. I’m working on a project of classification where I’m using vector space model which results in determining the categories where my test document should be present. its a part of machine learning . it would be great if you suggest me something related to that. I’m stuck at this point.
    谢谢

  45. 看到这个例子要知道如何使用它的文本分类过程。“This” link does not work any more. Can you please provide a relevant link for the example.

    Thanks

  46. 当然有很大的了解这个问题。我真的很喜欢所有的点,你做。

  47. 1vbXlh你提出了一个非常美妙的细节,欣赏它的职位。亚洲金博宝

  48. 我知道这个网站提供基于高质量的文章或
    评论和其他数据,还有没有其他的网页呈现这类
    在质量信息?

  49. 在第一个例子。IDF(T1),日志(2/1)由计算器= 0.3010。为什么他们获得0.69 ..请有什么不对?

Leave a Reply toJason WuCancel reply

您的电子邮件地址不会被公开。

This site uses Akismet to reduce spam.了解您的意见如何处理数据