【sklearn第六讲】特征提取（下）

机器学习训练营——机器学习爱好者的自由交流空间（入群联系qq：2279055353）

TF-idf 权

在大的文本合集里，一些词出现的频率很高（例如英文里的the, a, is）但包含的实际文本内容的有价值的信息却很少。如果我们把计数的数据直接提供给一个分类器，那些高频词条会影响罕见但更有意义的词条。为了重新加权计数特征为适合分类器使用的浮点值，现在普遍采用tf-idf变换。

tf的意思是term-frequency, 而tf-idf的意思是term-frequency times inverse document-frequency, 公式为：
$tf$-$idf(t,d)=tf(t,d)\times idf(t)$

这里，使用TfidfTransformer的默认设置，TfidfTransformer(norm='l2', use_idf=True, smooth_idf=True, sublinear_tf=False)

$tf(t,d)$表示词条频数，即，一个词条在一个给定文档里出现的次数。

$idf(t)=\log \frac{1+n_d}{1+df(d,t)}+1$

$n_d$表示文档总数，$df(d,t)$表示包含词条$t$的文档数，结果tf-idf向量经欧拉范数归一化

$v_{norm}=\frac{v}{||v|{|}_2}=\frac{v}{\sqrt{v_1^2+v_2^2+\cdots +v_n^2}}$

这个词条加权方案最初来自信息检索领域，后引入到文档分类、聚类问题，也得到好的效果。

下面我们进一步解释和举例说明tf-idf怎样精确地计算，以及使用TfidfTransformer, TfidfVectorizer计算tf-idf与标准定义的区别。idf的标准定义为

$idf(t)=\log \frac{n_d}{1+df(d,t)}$

在TfidfTransformer, TfidfVectorizer里，通过设置参数smooth_idf=False, 1被加到idf上，而不是标准定义的分母项。

$idf(t)=\log \frac{n_d}{df(d,t)}+1$

然后，归一化由TfidfTransformer类执行：

from sklearn.feature_extraction.text import TfidfTransformer
transformer = TfidfTransformer(smooth_idf=False)
transformer 

让我们用下面的counts举一个例子。第一项(列)出现频率100%, 所以意义不大，后两个向量出现频率低于50%, 故很可能是有代表性的文档内容。

counts = [[3, 0, 1],
          [2, 0, 0],
          [3, 0, 0],
          [4, 0, 0],
          [3, 2, 0],
          [3, 0, 2]]

tfidf = transformer.fit_transform(counts)
tfidf
tfidf.toarray()  

每一行被归一化为1范数。例如，我们可以按如下公式计算第一项在第一个文档里的tf-idf:

$n_{d,term1}=6$

$df(d,t{)}_{term1}=6$

$idf(d,t{)}_{term1}=\log \frac{n_d}{df(d,t)}+1=\log 1+1=1$

$tf$-$id{f}_{term1}=tf\times idf=3\times 1=3$

现在，如果我们重复计算该文档剩余两项，则得到

$tf$-$id{f}_{term2}=0\times (\log (6/1)+1)=0$

$tf$-$id{f}_{term3}=1\times (\log (6/2)+1)\approx 2.0986$

这样，原始tf-idf向量为[3, 0, 2.0986], 然后，按欧式(L2)范数，得到文档1的tf-idf:

$\frac{[3,0,2.0986]}{\sqrt{3^2+0^2+2.0986^2}}=[0.819,0,0.573]$

进一步，缺省参数smooth_idf=True对分子分母分别加1，好像存在一个外部文档，包含每一个词条，这样避免了分母是0的情况。

$idf(t)=\log \frac{1+n_d}{1+df(d,t)}+1$

使用这个修正，文档1的第三项的tf-idf修正为：

$tf$-$id{f}_{term3}=1\times \log (7/3)+1\approx 1.8473$

这样，经L2归一化的tf-idf修正为

$\frac{[3,0,1.8473]}{\sqrt{3^2+0^2+1.8473^2}}=[0.8515,0,0.5243]$

transformer = TfidfTransformer()
transformer.fit_transform(counts).toarray()

经fit方法计算的每个特征的权保存在一个模型属性里。

transformer.idf_

由于tf-idf经常用于文本特征数量化，也有另一个类TfidfVectorizer结合CountVectorizer, TfidfTransformer所有的选项在一个模型里：

from sklearn.feature_extraction.text import TfidfVectorizer
corpus = [
     'This is the first document.',
     'This is the second second document.',
     'And the third one.',
     'Is this the first document?',
]
vectorizer = TfidfVectorizer()
vectorizer.fit_transform(corpus)

阅读更多精彩内容，请关注微信公众号：统计学习与大数据