使用 scikit-learn 和手动计算的 tf-idf 矩阵值的差异答案

【问题标题】：Difference in values of tf-idf matrix using scikit-learn and hand calculation使用 scikit-learn 和手动计算的 tf-idf 矩阵值的差异
【发布时间】：2016-09-24 04:57:08
【问题描述】：

我正在使用scikit-learn 来查找tf-idf 值。

我有一组documents 喜欢：

D1 = "The sky is blue."
D2 = "The sun is bright."
D3 = "The sun in the sky is bright."

我想创建一个这样的矩阵：

   Docs      blue    bright       sky       sun
   D1 tf-idf 0.0000000 tf-idf 0.0000000
   D2 0.0000000 tf-idf 0.0000000 tf-idf
   D3 0.0000000 tf-idf tf-idf tf-idf

所以，我在Python 中的代码是：

import nltk
import string

from sklearn.feature_extraction.text import TfidfVectorizer
from nltk.corpus import stopwords

train_set = ["sky is blue", "sun is bright", "sun in the sky is bright"]
stop_words = stopwords.words('english')

transformer = TfidfVectorizer(stop_words=stop_words)

t1 = transformer.fit_transform(train_set).todense()
print t1

我得到的结果矩阵是：

[[ 0.79596054  0.          0.60534851  0.        ]
 [ 0.          0.4472136   0.          0.89442719]
 [ 0.          0.57735027  0.57735027  0.57735027]]

如果我手动计算，那么矩阵应该是：

            Docs  blue      bright       sky       sun
            D1    0.2385    0.0000000  0.0880    0.0000000
            D2    0.0000000 0.0880     0.0000000 0.0880
            D3    0.0000000 0.058      0.058     0.058

我的计算就像说blue 为tf = 1/2 = 0.5 和idf 为log(3/1) = 0.477121255。因此tf-idf = tf*idf = 0.5*0.477 = 0.2385。这样，我正在计算其他 tf-idf 值。现在，我想知道，为什么我在手算矩阵和 Python 矩阵中得到不同的结果？哪个给出正确的结果？我的手算有问题还是我的 Python 代码有问题？

【问题讨论】：

标签： python matrix machine-learning tf-idf

【解决方案1】：

有两个原因：

您忽略了在这种情况下经常发生的平滑
您假设以 10 为底的对数

根据sourcesklearn 不使用这样的假设。

首先，它会平滑文档计数（所以永远不会有0）：

df += int(self.smooth_idf)
n_samples += int(self.smooth_idf)

它使用自然对数 (np.log(np.e)==1)

idf = np.log(float(n_samples) / df) + 1.0

还应用了默认的l2 规范化。简而言之，scikit-learn 在计算 tfidf 时做了更多的“小事”。这些方法（他们的或你的）都不是坏的。他们只是更先进。

【讨论】：

我想知道为什么比率的差异是不同的。两个矩阵的所有值的差异不能用任何乘法或除法来表示。
我的回答也给了你一个答案。平滑不仅仅是“不同的乘法”，在 idf 部分也不是不同的对数底

【解决方案2】：

smooth_idf : 布尔值，默认=True

使用平滑版本 idf。有很多版本。在 python 中，使用以下版本：$1+ log( (N+1)/n+1))$，其中 $N$ 是文档总数，$n$ 是包含该术语的文档数。

tf : 1/2, 1/2
idf with smoothing: (log(4/2)+1) ,(log(4/3)+1)
tf-idf : 1/2* (log(4/2)+1) ,1/2 * (log(4/3)+1)
L-2 normalization: 0.79596054 0.60534851

顺便说一句，原题中的第二个可能是错误的，应该是一样的。 my out put from python

【讨论】：