原创力文档- 1、本文档共11页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
TF-IDF算法
目 录ContentsTF-IDF算法概述
1PART概述
概述如果某个词或短语在一篇文章中出现的频率很高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类通过计算词语的权重，可以找出文档中的关键词，从而确定分类的依据。常用的词语权重计算方法为TF-IDF算法。
概述TF-IDF算法的公式词频TF的计算公式TF－IDF=TF (词频) ×IDF (逆文档频率)逆文档频率IDF的计算公式
2PARTTF-IDF算法
TF-IDF算法TF-IDF值越大，则说明这个词对这篇文章的区分度就越高，取TF-IDF值较大的几个词，就可以当做这篇文章的关键词。例如，一个文档中一共有100个单词，其中单词flower出现的次数为5，则TF=5/100，结果为0.05。样本中一共有10 000 000个文档，其中出现单词flower的文档有1 000个，则IDF= log(10 000 000/1 000)，结果为4。因此，flower的TF-IDF值为：TF－IDF=TF×IDF=0.05×4=0.2。
nltk.text模块中提供了TextCollection类来表示一组文本，它可以加载文本列表，或者包含一个或多个文本语料库，并且支持计数、协调、配置等，例如创建一个TextCollection实例，代码如下。TF-IDF算法
如果想知道某个单词在文本中的权重，则需要调用方法实现，该方法会返回一个tf_idf值，示例代码如下。TF-IDF算法
参考文献[1] 黑马程序员.Python数据分析与应用:从数据获取到可视化.中国铁道出版社：2019.
TF-IDF算法
文档评论（0）