Vektorisasi TF-IDF

Natural Language Processing (NLP) in Python

Fouad Trad

Machine Learning Engineer

Dari BoW ke TF-IDF

BoW menganggap semua kata sama penting
TF-IDF memperbaiki ini dengan memberi tahu:
- seberapa sering kata muncul di dokumen
- seberapa bermakna kata itu di seluruh koleksi

Gambar yang menampilkan representasi BoW dari dua kalimat: 'I love this NLP course' dan 'I enjoyed this project.'

TF-IDF

Gambar yang menunjukkan TF-IDF adalah hasil kali TF dan IDF.

TF-IDF

Gambar yang menunjukkan TF-IDF adalah hasil kali TF dan IDF.

TF: Term Frequency
- Frekuensi kemunculan kata dalam dokumen

TF-IDF

Gambar yang menunjukkan TF-IDF adalah hasil kali TF dan IDF.

TF: Term Frequency
- Frekuensi kemunculan kata dalam dokumen
IDF: Inverse Document Frequency
- Seberapa jarang kata itu di semua dokumen

Kata muncul di satu dokumen, tidak di yang lain → skor tinggi
Kata muncul di setiap dokumen → skor rendah

TF-IDF dengan kode

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 dengan kode

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)>

Output TF-IDF

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']

Visualisasi skor sebagai 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("Skor TF-IDF per Ulasan")
plt.xlabel("Term")
plt.ylabel("Dokumen")
plt.show()

Peta panas representasi TF-IDF dari dataset.

Membandingkan dengan BoW

Peta panas representasi BoW dari dataset.

Peta panas representasi TF-IDF dari dataset.

Ayo berlatih!

Natural Language Processing (NLP) in Python