如何避免词组拆分影响 TF-IDF 计算?

碧海醫心
发布: 2024-11-06 15:09:01
原创
1097人浏览过

如何避免词组拆分影响 TF-IDF 计算?

自定义 tf-idf 计算,避免词组拆分

在使用 tfidfvectorizer 计算 tf-idf 值时,当文本数据包含词组时,可能会遇到自动分词的问题,导致输出特征包含分拆后的单词。为了解决这一问题,以下提供两种方法:

1. 调整 tfidfvectorizer 参数

如果文本数据中的词组由下划线或其他字符连接,可以设置 tfidfvectorizer 的 analyzer 参数为 "word",以禁用分词功能。

from sklearn.feature_extraction.text import tfidfvectorizer

docs = ["this_is_book", "this_is_apple"]
vectorizer = tfidfvectorizer(analyzer="word", stop_words="english")
tfidf = vectorizer.fit_transform(docs)
print(vectorizer.get_feature_names_out())
登录后复制

输出:

算家云
算家云

高效、便捷的人工智能算力服务平台

算家云 37
查看详情 算家云
['this_is_apple', 'this_is_book']
登录后复制

2. 自定义 tf-idf 计算

如果你不想使用 tfidfvectorizer,也可以自行编写 tf-idf 计算程序。以下是一个示例实现:

import math

def tfidf_custom(docs, vocab):
  """
  自定义 TF-IDF 计算

  参数:
    docs: 文档集合
    vocab: 词汇表
  """

  # 计算词频
  tf_dict = {}
  for doc in docs:
    for word in doc:
      if word in tf_dict.keys():
        tf_dict[word] += 1
      else:
        tf_dict[word] = 1

  # 计算文档频率
  df_dict = {}
  for word in vocab:
    for doc in docs:
      if word in doc:
        if word in df_dict.keys():
          df_dict[word] += 1
        else:
          df_dict[word] = 1

  # 计算 TF-IDF 值
  tfidf_dict = {}
  for word in vocab:
    tfidf_dict[word] = (tf_dict[word] / sum(tf_dict.values())) * math.log(len(docs) / df_dict[word])

  return tfidf_dict

# 文档集合和词汇表
docs = ["This_is_book", "This_is_apple"]
vocab = ["This_is_apple", "This_is_book"]

tfidf_custom(docs, vocab)
登录后复制

以上就是如何避免词组拆分影响 TF-IDF 计算?的详细内容,更多请关注php中文网其它相关文章!

相关标签:
最佳 Windows 性能的顶级免费优化软件
最佳 Windows 性能的顶级免费优化软件

每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。

下载
来源:php中文网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
热门推荐
开源免费商场系统广告
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新 English
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号