TF-IDF वेक्टराइज़ेशन

Python में Natural Language Processing (NLP)

Fouad Trad

Machine Learning Engineer

BoW से TF-IDF तक

BoW सभी शब्दों को समान महत्व देता है
TF-IDF इसे ठीक करता है, बताकर:
- किसी दस्तावेज़ में शब्द कितनी बार आता है
- पूरे कलेक्शन में वह शब्द कितना अर्थपूर्ण है

दो वाक्यों का BoW निरूपण दिखाती छवि: 'I love this NLP course' और 'I enjoyed this project.'

TF-IDF

छवि दिखाती है कि TF-IDF, TF और IDF का गुणनफल है.

TF-IDF

छवि दिखाती है कि TF-IDF, TF और IDF का गुणनफल है.

TF: Term Frequency
- किसी दस्तावेज़ में शब्द कितनी बार आता है

TF-IDF

छवि दिखाती है कि TF-IDF, TF और IDF का गुणनफल है.

TF: Term Frequency
- किसी दस्तावेज़ में शब्द कितनी बार आता है
IDF: Inverse Document Frequency
- सभी दस्तावेज़ों में वह शब्द कितना दुर्लभ है

शब्द एक दस्तावेज़ में दिखे, बाकी में नहीं → high score
शब्द हर दस्तावेज़ में दिखे → low score

कोड के साथ TF-IDF

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']

कोड के साथ TF-IDF

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 आउटपुट

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']

स्कोर को हीटमैप के रूप में देखें

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 Across Reviews")
plt.xlabel("Terms")
plt.ylabel("Documents")
plt.show()

डेटासेट के TF-IDF निरूपण का हीटमैप.

BoW से तुलना

डेटासेट के BoW निरूपण का हीटमैप.

डेटासेट के TF-IDF निरूपण का हीटमैप.

अभ्यास करते हैं!

Python में Natural Language Processing (NLP)