Как рассчитывается вывод «хороших фильмов» в 0-й строке?

Question

кодовый вывод

Как для "хороших фильмов" получается 0,707107, по мне, должно быть: 1/1 * ln (5/2) = 0,91629.

from sklearn.feature_extraction.text import TfidfVectorizer
import pandas as pd
texts = [
    "good movie", "not a good movie", "did not like", 
    "i like it", "good one"
]
# using default tokenizer in TfidfVectorizer
tfidf = TfidfVectorizer(min_df=2, max_df=0.5, ngram_range=(1, 2))
features = tfidf.fit_transform(texts)
pd.DataFrame(
    features.todense(),
    columns=tfidf.get_feature_names()
)

Answer 1

Из-за параметров norm и smooth_idf.По умолчанию оба значения имеют значение true.

from sklearn.feature_extraction.text import TfidfVectorizer
import pandas as pd
texts = [
    "good movie", "not a good movie", "did not like", 
    "i like it", "good one"
]
# using default tokenizer in TfidfVectorizer
tfidf = TfidfVectorizer(min_df=2, max_df=0.5,norm=None,smooth_idf=False, ngram_range=(1, 2))
features = tfidf.fit_transform(texts)
pd.DataFrame(
    features.todense(),
    columns=tfidf.get_feature_names()
)

Вывод:

    good movie  like        movie       not
0   1.916291    0.000000    1.916291    0.000000
1   1.916291    0.000000    1.916291    1.916291
2   0.000000    1.916291    0.000000    1.916291
3   0.000000    1.916291    0.000000    0.000000
4   0.000000    0.000000    0.000000    0.000000

По умолчанию формула, используемая sklearn для вычисления idf, равна log [ n / df(t) ] + 1.Так что 0.91621 по вашему расчету и добавьте к нему 1.

Если вы сделаете smooth_idf=True (по умолчанию), тогда формула будет иметь вид log [ (1 + n) / (1 + df(d, t)) ] + 1

Вывод tfidf = TfidfVectorizer(min_df=2, max_df=0.5,norm=None,smooth_idf=True, ngram_range=(1, 2)) будет

    good movie    like      movie       not
0   1.693147    0.000000    1.693147    0.000000
1   1.693147    0.000000    1.693147    1.693147
2   0.000000    1.693147    0.000000    1.693147
3   0.000000    1.693147    0.000000    0.000000
4   0.000000    0.000000    0.000000    0.000000

Как 0,707107??

Если вы видите, что для первой строки мы имеем 1.693417 (назовем это a) два раза, следовательно, l2 норма - это sqrt (a ^ 2 + a ^ 2), что равно sqrt (1.69^ 2 + 1,69 ^ 2) = sqrt (5,73349), что равно 2,3944.Теперь вы делите 1.693147 / 2.3944, вы получаете примерно 0,707107.

Прочитайте это Документация