当前位置：首页 > news >正文

机器学习——TF-IDF算法

news 2025/8/15 13:46:36

TF-IDF（Term Frequency-Inverse Document Frequency）是一种广泛应用于文本挖掘和信息检索领域的经典加权算法，主要用于评估一个词语在文档集合中的重要程度。其核心思想是：一个词语在文档中出现的频率越高，同时在所有文档中出现的频率越低，则该词语对该文档的区分能力越强。

TF-IDF 的计算公式

TF-IDF（Term Frequency-Inverse Document Frequency）是一种常用的文本特征提取方法，由两部分组成：

1. 词频（TF，Term Frequency）

TF 衡量一个词在当前文档中出现的相对频率，计算公式为：

TF(t,d) = (词 t 在文档 d 中出现的次数) / (文档 d 的总词数)

应用场景：在一篇关于水果的文档中，"apple"出现频率自然比"computer"要高，TF值能反映这种词频差异。

示例计算：

文档 d 有 100 个词
单词 "apple" 出现 5 次
则 TF("apple", d) = 5 / 100 = 0.05

注意事项：

常用对数化或归一化处理来平滑极端值
短文档中个别高频词可能产生过大的TF值

2. 逆文档频率（IDF，Inverse Document Frequency）

IDF 衡量一个词在整个语料库中的稀有程度，出现越少的词权重越高：

IDF(t,D) = log[ (语料库中文档总数 N) / (包含词 t 的文档数 + 1) ]

改进说明：

加1平滑处理（+1）是为了避免某些词未出现在语料库中导致分母为0
对数运算（通常以10为底）可以压缩数值范围

示例计算：

语料库有1000篇文档
"apple"在100篇文档中出现过
则 IDF("apple", D) = log(1000 / (100 + 1)) ≈ log(9.90) ≈ 2.30

特殊案例：

停用词（如"the"、"is"）几乎出现在所有文档中，IDF值会趋近于0
专业术语通常具有较高的IDF值

3. TF-IDF 最终计算

将TF和IDF相乘得到最终权重：

TF-IDF(t,d,D) = TF(t,d) × IDF(t,D)

示例计算：

TF("apple", d) = 0.05
IDF("apple", D) ≈ 2.30
则 TF-IDF("apple", d, D) = 0.05 × 2.30 ≈ 0.115

实际应用注意事项：

语料库规模会影响IDF值
不同领域的文档需要分别计算IDF
通常会进行归一化处理（如L2归一化）
可以结合停用词过滤提高效果

变体公式：一些实现会使用不同的对数底数或调整平滑方式，例如：

IDF(t,D) = log[1 + (N/(df(t)+1))]
使用自然对数（ln）代替常用对数（log10）

TF-IDF 的 Python 实现

Scikit-learn: TfidfVectorizer

用途：将文本转换为 TF-IDF 特征矩阵，适用于机器学习任务。

核心参数

参数	类型	默认值	说明
`input`	str	`'content'`	输入类型（`'filename'`、`'file'`、`'content'`）
`encoding`	str	`'utf-8'`	文本编码方式
`lowercase`	bool	`True`	是否转换为小写
`stop_words`	str/list	`None`	停用词表（`'english'`或自定义列表）
`max_features`	int	`None`	最大特征数（按词频排序）
`ngram_range`	tuple	`(1, 1)`	N-gram 范围（如 `(1, 2)`包含 1-gram 和 2-gram）
`min_df`	int/float	`1`	忽略词频低于此值的词（整数=次数，浮点数=比例）
`max_df`	int/float	`1.0`	忽略词频高于此值的词（整数=次数，浮点数=比例）
`norm`	str	`'l2'`	归一化方式（`'l1'`、`'l2'`或 `None`）
`use_idf`	bool	`True`	是否启用 IDF 权重
`smooth_idf`	bool	`True`	是否平滑 IDF（避免除零错误）

关键方法

方法	说明
`fit(raw_documents)`	学习词汇和 IDF
`transform(raw_documents)`	将文档转换为 TF-IDF 矩阵
`fit_transform(raw_documents)`	合并 `fit`和 `transform`
`get_feature_names_out()`	获取词汇表（Python ≥3.6）
`get_stop_words()`	获取停用词列表

# 导入必要的库
from sklearn.feature_extraction.text import TfidfVectorizer  # 导入TF-IDF向量化工具
import pandas as pd  # 导入pandas用于数据处理# 读取文本文件
file = open('task2_1.txt', 'r')  # 打开名为'task2_1.txt'的文本文件
data = file.readlines()  # 读取文件的所有行，存储在列表data中# 初始化TF-IDF向量化器
vectorizer = TfidfVectorizer()  # 创建TF-IDF向量化器对象# 计算TF-IDF矩阵
vetft = vectorizer.fit_transform(data)  # 对数据进行拟合和转换，得到TF-IDF矩阵（稀疏矩阵）
print(vetft)  # 打印TF-IDF矩阵（显示稀疏矩阵的存储格式）# 获取特征词（词汇表）
words = vectorizer.get_feature_names_out()  # 获取所有特征词（即词汇表）
print(words)  # 打印特征词列表# 将TF-IDF矩阵转换为DataFrame
# vetft.T 转置矩阵（行变列，列变行）
# .todense() 将稀疏矩阵转换为稠密矩阵
# index=words 使用特征词作为行索引
df = pd.DataFrame(vetft.T.todense(), index=words)  # 创建DataFrame，行是特征词，列是文档
print(df, end='\n')  # 打印DataFrame# 提取特定文档（第6列，索引为5）的TF-IDF特征
features = df.iloc[:, 5]  # 获取第6个文档的所有特征值（Python从0开始计数）
features.index = words  # 设置索引为特征词（确保顺序一致）
results = features.sort_values()  # 对特征值进行排序（默认升序）
print(results)  # 打印排序后的结果（显示每个词在该文档中的TF-IDF值，按值从小到大排列）