特征权重量化 TF-IDF 用于信息检索和数据挖掘的加权技术

 

TFIDF其实是：TF * IDF，TF词频(Term Frequency)，IDF逆向文件频率(Inverse Document Frequency)。TF表示词条在文档d中出现的频率。IDF的主要思想是：若是包含词条t的文档越少，也就是n越小，IDF越大，则说明词条t具备很好的类别区分能力。

 

TFIDF的主要思想是：若是某个词或短语在一篇文章中出现的频率TF高，而且在其余文章中不多出现，则认为此词或者短语具备很好的类别区分能力，适合用来分类。

TF是指在一个文档中出现的词的频率，词的次数初一全部的词数　

  而IDF是全部的文档中出现该词的次数越多，则权重就越小。。逆向文件频率（inverse document frequency，IDF）是一个词语广泛重要性的度量。某一特定词语的IDF，能够由总文件数目除以包含该词语之文件的数目，再将获得的商取对数获得：

最后的相关性的计算

，上述相关性计算的公式就由词频的简单求和变成了加权求和，即 TF1*IDF1 +　TF2*IDF2 +... + TFN*IDFN。。