更新时间:2023-05-05 GMT+08:00
分享

TF-IDF

概述

“词频-逆文档频率”节点主要功能是计算某个词对于所属文档的重要程度。词频-逆文档频率(Term Frequency-Inverse Document Frequency, TF-IDF)算法规定某个词语的重要性与它在一个文档中出现的次数成正比,与该词语在语料库的所有文档中出现的频率成反比。给定语料库D,则文档中的词语定义如下:

式中,指词语在文档出现频率的归一化结果,表示该词在文档dj中的出现次数,表示文件中所有词语的出现次数之和;表示词语的逆向文件频率(Inverse Document Frequency),|D|表示语料库的文件总数,表示包含词语的文件数目。

输入

参数

子参数

参数说明

inputs

dataframe

inputs为字典类型,dataframe为pyspark中的DataFrame类型对象

输出

spark pipeline类型的模型

参数说明

参数

子参数

参数说明

text_col

-

文本列所在的列名,默认为"text_col"

tokenizer_col

-

对数据集文本列分词之后的结果列名,默认为"tokenizer_col"

tf_col

-

对数据集应用HashingTF之后的结果列名,默认为"tf_col"

idf_col

-

对数据集应用IDF之后的结果列名,默认为"idf_col"

tf_binary

-

默认为False

tf_num_features

-

HashingTF中的特征个数

idf_min_doc_freq

-

最小文档频率,默认为0

样例

inputs = {
    "dataframe": None  # @input {"label":"dataframe","type":"DataFrame"}
}
params = {
    "inputs": inputs,
    "text_col": "text_col",  # @param {"label":"text_col","type":"string","required":"false","helpTip":""}
    "tokenizer_col": "tokenizer_col",  # @param {"label":"tokenizer_col","type":"string","required":"false","helpTip":""} 
    "tf_col": "tf_col",  # @param {"label":"tf_col","type":"string","required":"false","helpTip":""}
    "idf_col": "idf_col",  # @param {"label":"idf_col","type":"string","required":"false","helpTip":""}
    "tf_binary": False,  # @param {"label":"tf_binary","type":"boolean","required":"false","helpTip":""}
    "tf_num_features": 1 << 18,  # @param {"label":"tf_num_features","type":"integer","required":"true","range":"(0,2147483647]","helpTip":""} 
    "idf_min_doc_freq": 0  # @param {"label":"idf_min_doc_freq","type":"integer","required":"true","range":"(0,2147483647]","helpTip":""} 
}
tf_idf____id___ = MLSTFIDF(**params)
tf_idf____id___.run()
# @output {"label":"pipeline_model","name":"tf_idf____id___.get_outputs()['output_port_1']","type":"PipelineModel"}
# @output {"label":"dataframe","name":"tf_idf____id___.get_outputs()['output_port_2']","type":"DataFrame"}
分享:

    相关文档

    相关产品