Векторизація TF-IDF

Natural Language Processing (NLP) in Python

Fouad Trad

Machine Learning Engineer

Від BoW до TF-IDF

BoW вважає всі слова однаково важливими
TF-IDF виправляє це, враховуючи:
- як часто слово трапляється в документі
- наскільки воно значуще в колекції

Зображення, що показує представлення BoW двох речень: 'I love this NLP course' і 'I enjoyed this project.'

TF-IDF

Зображення, що показує: TF-IDF = TF × IDF.

TF-IDF

Зображення, що показує: TF-IDF = TF × IDF.

TF: частота терміна
- Скільки разів слово з'являється в документі

TF-IDF

Зображення, що показує: TF-IDF = TF × IDF.

TF: частота терміна
- Скільки разів слово з'являється в документі
IDF: зворотна частота документів
- Наскільки рідкісне слово серед усіх документів

Слово є в одному документі, у решті немає → високий бал
Слово є в кожному документі → низький бал

TF-IDF у коді

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 у коді

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)>

Вивід 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']

Візуалізація балів як теплової мапи

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()

Теплова мапа представлення TF-IDF для набору даних.

Порівняння з BoW

Теплова мапа представлення BoW для набору даних.

Теплова мапа представлення TF-IDF для набору даних.

Давайте потренуємось!

Natural Language Processing (NLP) in Python