Как рассчитывается выход для «хороших фильмов» в 0-й строке?

вывод кода

Как для «хороших фильмов» получается 0,707107, по-моему, должно быть: 1/1*ln(5/2) = 0,91629.

from sklearn.feature_extraction.text import TfidfVectorizer
import pandas as pd
texts = [
    "good movie", "not a good movie", "did not like", 
    "i like it", "good one"
]
# using default tokenizer in TfidfVectorizer
tfidf = TfidfVectorizer(min_df=2, max_df=0.5, ngram_range=(1, 2))
features = tfidf.fit_transform(texts)
pd.DataFrame(
    features.todense(),
    columns=tfidf.get_feature_names()
)
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
1
0
44
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Из-за параметра norm и smooth_idf. По умолчанию оба верны.

from sklearn.feature_extraction.text import TfidfVectorizer
import pandas as pd
texts = [
    "good movie", "not a good movie", "did not like", 
    "i like it", "good one"
]
# using default tokenizer in TfidfVectorizer
tfidf = TfidfVectorizer(min_df=2, max_df=0.5,norm=None,smooth_idf=False, ngram_range=(1, 2))
features = tfidf.fit_transform(texts)
pd.DataFrame(
    features.todense(),
    columns=tfidf.get_feature_names()
)

Выход:

    good movie  like        movie       not
0   1.916291    0.000000    1.916291    0.000000
1   1.916291    0.000000    1.916291    1.916291
2   0.000000    1.916291    0.000000    1.916291
3   0.000000    1.916291    0.000000    0.000000
4   0.000000    0.000000    0.000000    0.000000

По умолчанию sklearn использует формулу для расчета idf: log [ n / df(t) ] + 1. Итак, 0,91621 по вашему расчету и прибавьте к нему 1.

Если вы сделаете smooth_idf=True (по умолчанию), то формула станет log [ (1 + n) / (1 + df(d, t)) ] + 1

Выход tfidf = TfidfVectorizer(min_df=2, max_df=0.5,norm=None,smooth_idf=True, ngram_range=(1, 2))

    good movie    like      movie       not
0   1.693147    0.000000    1.693147    0.000000
1   1.693147    0.000000    1.693147    1.693147
2   0.000000    1.693147    0.000000    1.693147
3   0.000000    1.693147    0.000000    0.000000
4   0.000000    0.000000    0.000000    0.000000

How 0.707107??

Если вы видите, что для первой строки у нас есть 1,693417 (назовем это a) два раза, следовательно, норма l2 равна sqrt (a ^ 2 + a ^ 2), что равно sqrt (1,69 ^ 2 + 1,69 ^ 2) = sqrt (5,73349). ), что равно 2,3944. Теперь делишь 1,693147/2,3944, получается примерно 0,707107.

Прочитать это Документация

Другие вопросы по теме