Question

我变得很奇怪＆＃34;使用scikit-learn的Tfidf变压器的结果。通常情况下，我希望在语料库中的所有文档中出现一个单词，其idf等于0（不使用任何平滑或标准化），因为我将使用的公式将是文档中数量的对数。语料库除以包含该术语的文档数量。显然（如下图所示）scikit-learn的实现与我的手动实现相比，每个idf值增加了一个。有人知道为什么吗？再次注意，我已将平滑和标准化设置为等于None / False。

In [101]: from sklearn.feature_extraction.text import TfidfTransformer

In [102]: counts
Out[102]: 
array([[3, 0, 1],
       [2, 0, 0],
       [3, 0, 0],
       [4, 0, 0],
       [3, 2, 0],
       [3, 0, 2]])

In [103]: transformer = TfidfTransformer(norm=None, smooth_idf=False)

In [104]: transformer
Out[104]: 
TfidfTransformer(norm=None, smooth_idf=False, sublinear_tf=False,
         use_idf=True)

In [105]: tfidf = transformer.fit_transform(counts)

In [106]: tfidf.toarray()
Out[106]: 
array([[ 3.        ,  0.        ,  2.09861229],
       [ 2.        ,  0.        ,  0.        ],
       [ 3.        ,  0.        ,  0.        ],
       [ 4.        ,  0.        ,  0.        ],
       [ 3.        ,  5.58351894,  0.        ],
       [ 3.        ,  0.        ,  4.19722458]])

In [107]: transformer.idf_
Out[107]: array([ 1.        ,  2.79175947,  2.09861229])

In [108]: idf1 = np.log(6/6)

In [109]: idf1
Out[109]: 0.0

In [110]: idf2 = np.log(6/1)

In [111]: idf2
Out[111]: 1.791759469228055

In [112]: idf3 = np.log(6/2)

In [113]: idf3
Out[113]: 1.0986122886681098

我一直无法找到任何证明在idf值中添加一个的来源。我使用了scikit-learn版本＆＃39; 0.14.1＆＃39;。

除了scikit-learn之外的另一个解决方案对我来说并不是真的有用，因为我需要为gridsearch构建一个scikit-learn管道。

Answer 1

这不是一个错误，它是a feature

# log1p instead of log makes sure terms with zero idf don't get
# suppressed entirely
idf = np.log(float(n_samples) / df) + 1.0

这个+1（如评论中所述）用于使idf normalizator 弱，否则，所有文档中出现的元素都被完全删除（它们的idf = 0所以整个tfidf = 0）

Scikit-learn TfidfTranformer会产生错误的结果？

1 个答案: