机器学习::文本特征提取(TF-IDF) - 第二部分

Read the first part of this tutorial:文本特征提取(TF-IDF) - 第一部分

这个职位是一个延续在哪里,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。我真的建议你阅读第一部分of the post series in order to follow this second post.

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

In the first post, we learned how to use theterm-frequency以表示在矢量空间的文本信息。然而,与术语频率方法的主要问题是,它大大加快了频繁的条款和规模下降,这比高频方面经验更丰富罕见的条款。基本的直觉是,在许多文件中经常出现的一个术语不太好鉴别,真正有意义的(至少在许多实验测试);这里最重要的问题是:你为什么会在例如分类问题,强调术语,是在你的文档的整个语料库几乎礼物?

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)这实际上是长期的长期计数t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keyword spamming,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)系统,甚至对创建长文档偏见,使他们看起来比他们只是因为手册中出现的高频更重要。

To overcome this problem, the term frequency\ 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

假设我们要正常化术语频矢量\ {VEC V_ {D_4}}我们在本教程的第一部分已经计算。该文件d4从本教程的第一部分中有这样的文字表示:

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)

为了归一化矢量,是相同的计算单位向量矢量,而他们使用的是“帽子”符号表示:\帽子{V}。的单位矢量的定义\帽子{V}一个向量的\ VEC {V}is:

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

Where the\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是矢量的范数(大小,长度)\ VEC {V}在里面L ^ p空间(别担心,我将所有的解释)。

的单位矢量实际上无非是矢量的归一化版本的更多,是一种载体,其长度为1。

归一化处理(来源:http://processing.org/learning/pvector/)
归一化处理(来源: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 ^ p空间,也被称为勒贝格空间

勒贝格空间

多久这个载体?(来源:来源:http://processing.org/learning/pvector/)
多久这个载体?(来源:来源: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:

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

\|\vec{u}\| = \sqrt{u^2_1 + u^2_2 + u^2_3 + \ldots + u^2_n}

但是,这不是定义长度的唯一途径,这就是为什么你看到(有时)的数p符合规范的符号,就像在了一起\ | \ VEC【U} \ | _p。这是因为它可以被概括为:

\displaystyle \|\vec{u}\|_p = ( \left|u_1\right|^p + \left|u_2\right|^p + \left|u_3\right|^p + \ldots + \left|u_n\right|^p )^\frac{1}{p}

并简化为:

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

所以,当你阅读有关L2范,你正在阅读关于欧几里得范,具有规范p = 2, the most common norm used to measure the length of a vector, typically called “magnitude”; actually, when you have an unqualified length measure (without thep号),你有L2范(Euclidean norm).

当你阅读一L1范你正在阅读与规范p=1, 定义为:

\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,也被称为出租汽车距离,也被称为曼哈顿距离。

Taxicab geometry versus Euclidean distance: In taxicab geometry all three pictured lines have the same length (12) for the same route. In Euclidean geometry, the green line has length6 \倍\ SQRT {2} \约8.48,并且是唯一的最短路径。
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 (即所使用的L1范数的单位矢量是不会具有长度1,如果你要以后采取其L2范数)。

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)为了得到其单位向量\ {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

Note that here we have normalized our term frequency document vector, but later we’re going to do that after the calculation of the tf-idf.

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n是在你的文集文档的数量,并在我们的情况下,D_ {火车} = \ {D_1,D_2 \}D_ {测试} = \ {D_3,D_4 \}。The cardinality of our document space is defined by\左| {{D_火车}} \右|= 2\左| {{D_测试}} \右|= 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\左| \ {d:T \在d \} \右|是个number of documents哪里the termt出现,术语频率函数满足当\ mathrm {TF}(T,d)\ 0 NEQ, we’re only adding 1 into the formula to avoid zero-division.

为TF-IDF式则是:

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

和this formula has an important consequence: a high weight of the tf-idf calculation is reached when you have a high term frequency (tf) in the given document (本地参数)和整个集合中的术语的低文档频率(全局参数)。

现在,让我们计算每个出现在与我们在第一个教程计算词频特征矩阵功能的IDF:

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

Since we have 4 features, we have to calculate\ mathrm {IDF}(T_1),\ mathrm {IDF}(T_2),\ mathrm {IDF}(t_3处),\ 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)= \log{\frac{\left|D\right|}{1+\left|\{d : t_2 \in d\}\right|}} = \log{\frac{2}{3}} = -0.40546511

\ mathrm {IDF}(t_3处)= \日志{\压裂{\左| d \右|} {1+ \左| \ {d:t_3处\在d \} \右|}} = \日志{\压裂{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_ {}列车与各自的\ {VEC {idf_列车}}vector dimension. To do that, we can create a square对角矩阵M_ {} IDF同时与垂直和水平尺寸等于向量\ {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}

然后将它乘到术语频率矩阵,因此最终结果然后可以定义为:

M_ {TF \ MBOX { - } IDF} = M_ {火车} \倍M_ {IDF}

Please note that the matrix multiplication isn’t commutative, the result ofA \乘以B会比的结果不同乙\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_ {火车} \倍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}

最后,我们可以将我们的L2归一化处理的M_{tf\mbox{-}idf}矩阵。请注意,这正常化“row-wise”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.2.7.2,NumPy的1.6.1,SciPy的v.0.9.0,Sklearn(Scikits.learn)v.0.9

现在,你在等待的部分!在本节中,我将使用Python的使用,以显示TF-IDF计算的每一步Scikit.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]

请注意,我所指定的标准为L2,这是可选的(实际上默认为L2范数),但我已经添加了参数,使其明确向你表示,它会使用L2范数。还要注意的是,你可以通过访问称为内部属性看IDF计算权重idf_。现在适合()方法计算矩阵中的IDF上,让我们改造freq_term_matrixto the tf-idf weight matrix:

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

这就是它的tf_idf_matrix其实我们以前M_{tf\mbox{-}idf}矩阵。您可以通过使用达到相同的效果矢量器Scikit的类。学习是一个vectorizer that automatically combines theCountVectorizerTfidfTransformer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。

Cite this article as: Christian S. Perone, "Machine Learning :: Text feature extraction (tf-idf) – Part II," inTerra Incognita,03/10/2011,//www.cpetem.com/2011/10/machine-learning-text-feature-extraction-tf-idf-part-ii/

References

理解逆文档频率:对IDF理论论证

维基百科:: TF-IDF

The classic Vector Space Model

Sklearn text feature extraction code

更新

2015年3月13日格式化,固定图像的问题。
03 Oct 2011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. 哇!
    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。
    That said, which version of scikits-learn are you using?.
    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. Great post… I understand what tf-idf and how to implement it with a concrete example. But I caught 2 things that I’m not sure about:
    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 - 当你计算IDF值的T2(这是“太阳”),它应该是日志(2/4)。因为文件的数目是2 D3有词“太阳” 1次,D4有它的2倍。这使得3,但是我们也加1到值摆脱0分的问题。这使得4 ...我说得对不对还是我失去了一些东西?
    Thank you.

    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,
      这是一个很古老的问题的答复。亚洲金博宝不过,我还是想回应沟通一下我从文章中了解。
      你的问题2:“当你计算IDF值的T2(这是‘太阳’),它应该是日志(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. 优秀的帖子!
    我有一些问题。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文件进行分类

  8. Thank You So Much. You explained it in such a simple way. It was really useful. Once again thanks a lot.

  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..
    After the tf-idf operation, we get a numpy array with values. Suppose we need to get the highest 50 values from the array. How can we do that?

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

    1.适用于文档聚类,计算反相的术语频率之后,shud我使用任何关联性系数等Jaccards系数,然后应用聚类算法中像k均值或shud我计算反转术语频率后直接适用d k均值到文档向量?

    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?

    谢谢你的帖子_美好的_!

  13. Excellent article and a great introduction to td-idf normalization.

    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。

    谢谢!

      1. 亚洲金博宝很不错的&infomative教程...。请相关的上传文档聚类过程更多的教程。

  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!!

    显示你的结果,我有个问题:

    我读了维基百科:
    The tf-idf value increases proportionally to the number of times a word appears in the document, but is offset by the frequency of the word in the corpus, which helps to control for the fact that some words are generally more common than others.

    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。

    I’m not sure of understand it completly.

  17. 了不起!我以前熟悉的TF-IDF,但我发现你scikits例子有益,因为我想学习那个包。

  18. 优秀的帖子!一次偶然的机会找上CountVectorizer更多信息,无意中发现了这一点,但我很高兴我通过两个您的文章(第1部分和第2部分)的读取。

    Bookmarking your blog now

  19. Does not seem to fit_transform() as you describe..
    Any idea why ?
    >>> ts
    (“天空是蓝色的”,“阳光灿烂”)
    >>> v7 = CountVectorizer()
    >>> v7.fit_transform(TS)
    <2×2型的稀疏矩阵“”
    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='english')
      这将确保“是”,“的”等被删除。

      2.要打印的词汇,你必须在末尾添加下划线。
      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. 谢谢ash. although the article was rather self explanatory, your comment made the entire difference.

  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. 感谢伟大的解释。

    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。

    谢谢。

    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。

    谢谢

  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. Hi Christian,

    这让我非常兴奋和幸运,读亚洲金博宝这篇文章。你理解的清晰反映了文件的清晰度。这让我重拾我的信心在机器学习领域。

    由于一吨为美丽的解释。

    想从你更多。

    谢谢,

  25. Thank you for the good wrap up. You mention a number of papers which compare L1 and L2 norm, I plan to study that a bit more in depth. You still know their names?

  26. how can i calculate tf idf for my own text file which is located some where in my pc?

  27. 辉煌的文章。

    到目前为止TF-TDF的最简单,最完善的解释,我读过。我真的很喜欢你如何解释数学后面。

  28. 嗨,伟大的职位!我使用的是TfidVectorizer模块scikit学习产生与规范= L2的TF-IDF矩阵。我把它叫做tfidf_matrix语料的fit_transform后,我一直在检查TfidfVectorizer的输出。我总结了行,但他们并不总和为1的代码是VECT = TfidfVectorizer(use_idf =真,sublunar_tf =真,规范=” L2)。tfidf_matrix = vect.fit_transform(数据)。当我运行tfidf_matrix.sum(轴= 1)的载体是大于1也许我看错矩阵或我误解如何正常化的作品。我希望有人能澄清这一点!谢谢

  29. 我能问你的时候计算的IDF,例如日志(2/1),你用日志基地10(E)或其他一些价值?我得到不同的计算!

  30. 伟大的教程,刚开始在ML一份新工作,这很清楚,因为它应该是解释的事情。亚洲金博宝

  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的:“矩阵”对象没有属性“变换”

    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。
    谢谢

  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. I understood the tf-idf calculation process. But what does that matrix mean and how can we use the tfidf matrix to calculate the similarity confuse me. can you explain that how can we use the tfidf matrix .thanks

  37. best explanation.. Very helpful. Can you please tell me how to plot vectors in text classification in svm.. I am working on tweets classification. I am confused please help me.

  38. 嗨,I’m sorry if i have mistaken but i could not understand how is ||Vd4||2 = 1.
    D4 =的值(0.0,0.89,0.44,0.0),因此归一化将是= SQRT(正方形(0.89)+平方(0.44))= SQRT(0.193)= 0.44
    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. 我没有得到相同的结果,当我执行相同的脚本。
    打印(“IDF:”,tfidf.idf_):IDF:[2.09861229 1. 1.40546511 1]

    我的Python版本:3.5
    Scikit了解的版本是: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

  41. 完美的介绍!
    没有骗人把戏。清晰简单的,随着技术的应。
    亚洲金博宝很有帮助
    非常感谢你。亚洲金博宝
    请发帖!
    Obrigado

  42. 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。

  43. 哎,HII基督教
    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

  44. 看到这个例子就知道如何使用它的文本分类过程。“这个”链接不起作用了。能否请您提供相关链接,例如。

    谢谢

  45. 也就是说,如果你有一个很好的post.Really谢谢!太棒了。

  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. 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?

发表回复亚历山德罗取消回复

您的电子邮件地址不会被公开。

本网站使用的Akismet,以减少垃圾邮件。了解您的意见如何处理数据