机器学习 day02

---

前言

• 通过今天的学习，我掌握了TF-IDF特征词重要度特征提取以及无量纲化处理的相关知识和用法

---

一、TF-IDF特征词重要度特征提取

• 机器学习算法在处理文本时有广泛应用，在分析文本时，我们常常使用词频（TF），逆文档频率（IDF）反映文本中的关键词
• 词频(Term Frequency, TF), 表示一个词在当前篇文章中的重要性
• 逆文档频率(Inverse Document Frequency, IDF), 反映了词在整个文档集合中的稀有程度
• TF-IDF可以反映词语在某文本中的重要程度

以下给出相应的计算公式：

• 需要注意的是，在sklearn库中对TF和IDF的公式进行了优化，sklearn中直接使用一个词在某文档中出现的次数作为TF，而IDF的计算公式如下：
  $$IDF(t)=\log (\frac{总文档数+1}{包含词t的文档数+1})+1$$

API：sklearn.feature_extraction.text.TfidfVectorizer()
该API的用法和结果与CountVectorizer相似，只是此API返回的是TF-IDF组成的系数矩阵

def my_cut(text):return " ".join(jieba.cut(text))
data=["教育学会会长期间，坚定支持民办教育事业！",  "扶持民办,学校发展事业","事业做出重大贡献！"]
data=[my_cut(i) for i in data]
# print(data)
# print("词频",CountVectorizer().fit_transform(data).toarray())
transfer=TfidfVectorizer()
res=transfer.fit_transform(data)
print(pd.DataFrame(res.toarray(),columns=transfer.get_feature_names_out()))

二、无量纲化处理

无量纲化顾名思义就是消除单位对数据的影响

1.最大最小值归一化

• 归一化公式如下：
  
  API：sklearn.preprocessing.MinMaxScaler(feature_range)
  该API可以将所有的数据归一化到指定的范围内

from sklearn.preprocessing import MinMaxScaler
data = [[12,22,4],[22,23,1],[11,23,9]]
transfer = MinMaxScaler((0,1)) #默认是0-1
data = transfer.fit_transform(data)

2.normalize归一化

• normalize归一化可以对数据的行或列分别进行归一化，主要有以下三种方法：
  1.L1归一化，使用数据的绝对值相加作为分母，特征值作为分子
  2.L2归一化，使用平方作为分母，特征值作为分子
  3.max归一化，只用最大值作为分母，特征值作为分子

from sklearn.preprocessing import normalize
# Normalizer归一化
data = [[12,22,4],[22,23,1],[11,23,9]]
data_scaler = normalize(data,"l2"，axis=0)
print(data_scaler) 

3.StanderScaler标准化

前两种归一化方法会受到数据中的异常点的影响，导致鲁棒性较差，使用标准化可以解决这个问题

• 标准化公式：
  
  API：sklearn.preprocessing.StanderScaler（）

from sklearn.preprocessing import StandardScaler
# 标准化归一化
data = [[12,22,4],[22,23,1],[11,23,9]]
scaler = StandardScaler()
# scaler.fit(data) # 统计数据的均值和方差并保存下来
# scaler.transform(data) #进行标准化转换
data_scaler = scaler.fit_transform(data)
print(data_scaler)

• 注意到创建转换器类对象后fit和transform可以分开进行，fit用于统计并保存当前数据的均值和方差，transform使用保存的均值和方差进行对应转换，如果有两组数据，只对第一组数据fit，那么第二组数据使用transform时会使用第一组数据的均值和方差

from sklearn.preprocessing import StandardScaler
# 标准化归一化
data = [[12,22,4],[22,23,1],[11,23,9]]
scaler = StandardScaler()
scaler.fit(data) # 统计数据的均值和方差并保存下来
scaler.transform(data) #进行标准化转换data2 = [[13,21,5]]
data2 = scaler.transform(data2) #此时使用的是data的均值与方差
print(data2)

---

THE END