TF-IDF-vektorisering

Natural Language Processing (NLP) i Python

Fouad Trad

Machine Learning Engineer

Från BoW till TF-IDF

BoW behandlar alla ord som lika viktiga
TF-IDF åtgärdar detta genom att ange:
- hur ofta ett ord förekommer i ett dokument
- hur betydelsefullt ordet är i hela samlingen

Bild som visar BoW-representationen av två meningar: 'I love this NLP course' och 'I enjoyed this project.'

TF-IDF

Bild som visar att TF-IDF är produkten av TF och IDF.

TF-IDF

Bild som visar att TF-IDF är produkten av TF och IDF.

TF: termfrekvens
- Hur många gånger ett ord förekommer i ett dokument

TF-IDF

Bild som visar att TF-IDF är produkten av TF och IDF.

TF: termfrekvens
- Hur många gånger ett ord förekommer i ett dokument
IDF: invers dokumentfrekvens
- Hur sällsynt ordet är i alla dokument

Ord som bara finns i ett dokument → högt poäng
Ord som finns i alla dokument → lågt poäng

TF-IDF med kod

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 med kod

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-utdata

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']

Visualisera poäng som värmekarta

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()

Värmekarta över TF-IDF-representationen av datamängden.

Jämförelse med BoW

Värmekarta över BoW-representationen av datamängden.

Värmekarta över TF-IDF-representationen av datamängden.

Nu kör vi en övning!

Natural Language Processing (NLP) i Python