TF-IDF文本表示方法与词云图

跟我一起机器学习系列文章将首发于公众号：月来客栈，欢迎搜索关注！

在前面的一篇文章中，我们介绍了两种基本的用于文本表示的词袋模型表示方法，两者之间的唯一区别就是一个考虑的词频而另外一个没有。下面我们再介绍另外一种应用更为常见和广泛的词袋模型表示方式——TFIDF表示方法。之所以陆续的会出现不同的向量化表示形式，其最终目的都只有一个，即尽可能准确的对原始文本进行表示。

1 TF-IDF

TF-IDF为词频-逆文档频率（term frequence - inverse document frequence） 的简称。首先需要明白的是TF-IDF实际上是TF与IDF两者的乘积。之所以出现TF-IDF的原因在于，通常来说在一个样本中一次词出现的频率越高，其重要性应该对应越高，即考虑到词频对文本向量的影响；但是如果仅仅只是考虑到这一个因素则同样会带来一个新的弊端，即有的词不只是在某个样本中出现的频率高，其实它在整个数据集中的出现频率都很高，而这样的词往往也是没有意义的。因此，TF-IDF的做法是通过词的逆文档频率来加以修正调整。

1.1 计算步骤

• 词频
  T F = 某个词在文章中的出现次数

  $$\begin{aligned} TF=\text{某个词在文章中的出现次数} \end{aligned}$$ TF=某个词在文章中的出现次数​
  考虑到每个样本有长短之分，我们对"词频"进行一个标准化处理：
  $$\begin{array}{rl}& TF=\frac{\text{某个词在样本中的出现次数}}{\text{该样本的总词数}}\\ & \text{或者}\\ & \end{array}$$