TF-IDF-vectorisatie

Natural Language Processing (NLP) in Python

Fouad Trad

Machine Learning Engineer

Van BoW naar TF-IDF

BoW behandelt alle woorden als even belangrijk
TF-IDF lost dit op door aan te geven:
- hoe vaak een woord in een document voorkomt
- hoe informatief dat woord is over de collectie

Afbeelding met de BoW-representatie van twee zinnen: 'I love this NLP course' en 'I enjoyed this project.'

TF-IDF

Afbeelding die toont dat TF-IDF het product is van TF en IDF.

TF-IDF

Afbeelding die toont dat TF-IDF het product is van TF en IDF.

TF: Term Frequency
- Hoe vaak een woord in een document voorkomt

TF-IDF

Afbeelding die toont dat TF-IDF het product is van TF en IDF.

TF: Term Frequency
- Hoe vaak een woord in een document voorkomt
IDF: Inverse Document Frequency
- Hoe zeldzaam dat woord is over alle documenten

Woord staat in één document, niet in anderen → hoge score
Woord staat in elk document → lage score

TF-IDF met code

reviews = [
    "I loved the movie. It was amazing!",
    "The movie was okay.",
    "I hated the movie. It was boring."
]

cleaned_reviews = [preprocess(review) for review in reviews]
print(cleaned_reviews)

['i loved the movie it was amazing', 
 'the movie was okay', 
 'i hated the movie it was boring']

TF-IDF met code

from sklearn.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer()

tfidf_matrix = vectorizer.fit_transform(cleaned_reviews)

print(tfidf_matrix)

<Compressed Sparse Row sparse matrix of dtype 'float64'
    with 16 stored elements and shape (3, 9)>

TF-IDF-uitvoer

print(tfidf_matrix.toarray())

[[0.52523431 0.         0.         0.39945423 0.52523431 0.31021184   0.         0.31021184 0.31021184]
 [0.         0.         0.         0.         0.         0.41285857   0.69903033 0.41285857 0.41285857]
 [0.         0.52523431 0.52523431 0.39945423 0.         0.31021184   0.         0.31021184 0.31021184]]

vectorizer.get_feature_names_out()

['amazing' 'boring' 'hated' 'it' 'loved' 'movie' 'okay' 'the' 'was']

Scores visualiseren als heatmap

import pandas as pd

df_tfidf = pd.DataFrame(

    tfidf_matrix.toarray(),

    columns=vectorizer.get_feature_names_out()
)

import seaborn as sns
import matplotlib.pyplot as plt

sns.heatmap(df_tfidf, annot=True)

plt.title("TF-IDF-scores per review")
plt.xlabel("Termen")
plt.ylabel("Documenten")
plt.show()

Heatmap van de TF-IDF-representatie van de dataset.

Vergelijking met BoW

Heatmap van de BoW-representatie van de dataset.

Heatmap van de TF-IDF-representatie van de dataset.

Laten we oefenen!

Natural Language Processing (NLP) in Python