TfidfVectorizer參數(shù)解析

vectorizer = CountVectorizer() #構(gòu)建一個計算詞頻（TF）的玩意兒，當(dāng)然這里面不足是可以做這些

transformer = TfidfTransformer() #構(gòu)建一個計算TF-IDF的玩意兒

tfidf = transformer.fit_transform(vectorizer.fit_transform(corpus))

#vectorizer.fit_transform(corpus)將文本corpus輸入，得到詞頻矩陣

#將這個矩陣作為輸入，用transformer.fit_transform(詞頻矩陣)得到TF-IDF權(quán)重矩陣

TfidfTransformer + CountVectorizer=TfidfVectorizer

值得注意的是

CountVectorizer()和TfidfVectorizer()里面都有一個成員叫做vocabulary_（后面帶一個下劃線）

這個成員的意義是詞典索引，對應(yīng)的是TF-IDF權(quán)重矩陣的列，只不過一個是私有成員，一個是外部輸入，原則上應(yīng)該保持一致。

vectorizer = TfidfVectorizer(stop_words=stpwrdlst, sublinear_tf = True, max_df = 0.5)

關(guān)于參數(shù)

input：string{'filename', 'file', 'content'}

• 如果是'filename'，序列作為參數(shù)傳遞給擬合器，預(yù)計為文件名列表，這需要讀取原始內(nèi)容進(jìn)行分析
• 如果是'file'，序列項目必須有一個”read“的方法（類似文件的對象），被調(diào)用作為獲取內(nèi)存中的字節(jié)數(shù)
• 否則，輸入預(yù)計為序列串，或字節(jié)數(shù)據(jù)項都預(yù)計可直接進(jìn)行分析。

encoding：string， ‘utf-8’by default

• 如果給出要解析的字節(jié)或文件
• 此編碼將用于解碼

decode_error:{'strict', 'ignore', 'replace'}

• 如果一個給出的字節(jié)序列包含的字符不是給定的編碼，指示應(yīng)該如何去做。
• 默認(rèn)情況下，它是'strict'，這意味著的UnicodeDecodeError將提高，其他值是'ignore'和'replace'

strip_accents: {'ascii', 'unicode', None}

• 在預(yù)處理步驟中去除編碼規(guī)則(accents)，”ASCII碼“是一種快速的方法，僅適用于有一個直接的ASCII字符映射
• "unicode"是一個稍慢一些的方法，None（默認(rèn)）什么都不做

analyzer：string，{'word', 'char'} or callable

• 定義特征為詞（word）或n-gram字符
• 如果傳遞給它的調(diào)用被用于抽取未處理輸入源文件的特征序列

preprocessor：callable or None（default）

• 當(dāng)保留令牌和”n-gram“生成步驟時
• 覆蓋預(yù)處理（字符串變換）的階段

tokenizer：callable or None(default)

• 當(dāng)保留預(yù)處理和n-gram生成步驟時
• 覆蓋字符串令牌步驟

ngram_range: tuple(min_n, max_n)

• 要提取的n-gram的n-values的下限和上限范圍
• 在min_n <= n <= max_n區(qū)間的n的全部值

stop_words：string {'english'}, list, or None(default)

• 如果未english，用于英語內(nèi)建的停用詞列表
• 如果未list，該列表被假定為包含停用詞，列表中的所有詞都將從令牌中刪除
• 如果None，不使用停用詞。max_df可以被設(shè)置為范圍[0.7, 1.0)的值，基于內(nèi)部預(yù)料詞頻來自動檢測和過濾停用詞

lowercase：boolean， default True

• 在令牌標(biāo)記前轉(zhuǎn)換所有的字符為小寫

token_pattern：string

• 正則表達(dá)式顯示了”token“的構(gòu)成，僅當(dāng)analyzer == ‘word’時才被使用。
• 兩個或多個字母數(shù)字字符的正則表達(dá)式（標(biāo)點(diǎn)符號完全被忽略，始終被視為一個標(biāo)記分隔符）。

max_df： float in range [0.0, 1.0] or int, optional, 1.0 by default

• 當(dāng)構(gòu)建詞匯表時，嚴(yán)格忽略高于給出閾值的文檔頻率的詞條，語料指定的停用詞。
• 如果是浮點(diǎn)值，該參數(shù)代表文檔的比例，整型絕對計數(shù)值，如果詞匯表不為None，此參數(shù)被忽略。

min_df：float in range [0.0, 1.0] or int, optional, 1.0 by default

• 當(dāng)構(gòu)建詞匯表時，嚴(yán)格忽略低于給出閾值的文檔頻率的詞條，語料指定的停用詞。
• 如果是浮點(diǎn)值，該參數(shù)代表文檔的比例，整型絕對計數(shù)值，如果詞匯表不為None，此參數(shù)被忽略。

max_features： optional， None by default

• 如果不為None，構(gòu)建一個詞匯表
• 僅考慮max_features--按語料詞頻排序，如果詞匯表不為None，這個參數(shù)被忽略

vocabulary：Mapping or iterable， optional

• 也是一個映射（Map）（例如，字典），其中鍵是詞條而值是在特征矩陣中索引，或詞條中的迭代器。
• 如果沒有給出，詞匯表被確定來自輸入文件。
• 在映射中索引不能有重復(fù)，并且不能在0到最大索引值之間有間斷。

binary：boolean， False by default

• 如果未True，所有非零計數(shù)被設(shè)置為1
• 這對于離散概率模型是有用的，建立二元事件模型，而不是整型計數(shù)

dtype：type， optional

• 通過fit_transform()或transform()返回矩陣的類型

norm：'l1', 'l2', or None,optional

• 范數(shù)用于標(biāo)準(zhǔn)化詞條向量。
• None為不歸一化

use_idf：boolean， optional

• 啟動inverse-document-frequency重新計算權(quán)重

smooth_idf：boolean，optional

• 通過加1到文檔頻率平滑idf權(quán)重
• 為防止除零，加入一個額外的文檔

sublinear_tf：boolean， optional

• 應(yīng)用線性縮放TF
• 例如，使用1+log(tf)覆蓋tf

總結(jié)

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論