TfidfVectorizer 如何计算测试数据的分数

Question

在 scikit-learn 中TfidfVectorizer，我们可以拟合训练数据，然后使用相同的向量化器来转换我们的测试数据。对训练数据进行转换的输出是一个矩阵，表示给定文档中每个单词的 tf-idf 分数。

但是，拟合向量化器如何计算新输入的分数？我已经猜到了：

1. 新文档中某个单词的分数通过将训练集中的文档中的相同单词的分数进行某种聚合来计算。
2. 新文档被“添加”到现有语料库中并计算新分数。

我曾尝试从 scikit-learn 的源代码中推断出该操作，但无法完全弄清楚。它是我之前提到的选项之一还是完全其他选项？请协助。

Answer 1

绝对是前者：每个单词的idf（逆文档频率）仅根据训练文档计算。这是有道理的，因为这些值正是您调用fit矢量化器时计算出的值。如果您描述的第二个选项是正确的，我们基本上每次都会重新安装向量化器，并且我们还会导致information leak在模型评估期间使用测试集中的 idf。

除了这些纯粹的概念性解释之外，您还可以运行以下代码来说服自己：

from sklearn.feature_extraction.text import TfidfVectorizer
vect = TfidfVectorizer()
x_train = ["We love apples", "We really love bananas"]
vect.fit(x_train)
print(vect.get_feature_names())
>>> ['apples', 'bananas', 'love', 'really', 'we']

x_test = ["We really love pears"]

vectorized = vect.transform(x_test)
print(vectorized.toarray())
>>> array([[0.        , 0.        , 0.50154891, 0.70490949, 0.50154891]])

遵循拟合方法如何工作的推理，您可以自己重新计算这些 tfidf 值：

“apples”和“bananas”的 tfidf 得分显然为 0，因为它们没有出现在x_test. 另一方面，“梨”不存在x_train，因此甚至不会出现在矢量化中。因此，只有“爱”、“真的”和“我们”才会有 tfidf 分数。

Scikit-learn 将 tfidf 实现为 log((1+n)/(1+df) + 1) * f 其中 n 是训练集中的文档数（我们为 2），df 是单词所在的文档数只出现在训练集中，f 是单词在测试集中的频率计数。因此：

tfidf_love = (np.log((1+2)/(1+2))+1)*1
tfidf_really = (np.log((1+2)/(1+1))+1)*1
tfidf_we = (np.log((1+2)/(1+2))+1)*1

然后，您需要通过文档的 L2 距离来缩放这些 tfidf 分数：

tfidf_non_scaled = np.array([tfidf_love,tfidf_really,tfidf_we])
tfidf_list = tfidf_non_scaled/sum(tfidf_non_scaled**2)**0.5

print(tfidf_list)
>>> [0.50154891 0.70490949 0.50154891]

您确实可以看到，我们得到了相同的值，这证实了scikit-learn实施此方法的方式。