Vectorisation TF-IDF

Natural Language Processing (NLP) en Python

Fouad Trad

Machine Learning Engineer

De BoW à TF-IDF

BoW considère tous les mots comme également importants
TF-IDF corrige cela en indiquant :
- la fréquence d'un mot dans un document
- la pertinence de ce mot dans l'ensemble

Image montrant la représentation BoW de deux phrases : « I love this NLP course » et « I enjoyed this project. ».

TF-IDF

Image montrant que TF-IDF est le produit de TF et IDF.

TF-IDF

Image montrant que TF-IDF est le produit de TF et IDF.

TF : Term Frequency
- Nombre d'occurrences d'un mot dans un document

TF-IDF

Image montrant que TF-IDF est le produit de TF et IDF.

TF : Term Frequency
- Nombre d'occurrences d'un mot dans un document
IDF : Inverse Document Frequency
- Rareté de ce mot dans tous les documents

Mot présent dans un seul document, absent des autres → score élevé
Mot présent dans tous les documents → score faible

TF-IDF avec du 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 avec du 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)>

Sortie 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']

Visualiser les scores en carte thermique

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("Scores TF-IDF par critique")
plt.xlabel("Termes")
plt.ylabel("Documents")
plt.show()

Carte thermique de la représentation TF-IDF de l'ensemble de données.

Comparer avec BoW

Carte thermique de la représentation BoW de l'ensemble de données.

Carte thermique de la représentation TF-IDF de l'ensemble de données.

Passons à la pratique !

Natural Language Processing (NLP) en Python