DatawhaleChina -任务三 TF-IDF原理+互信息

ゞ浴缸里的玫瑰 2022-01-31 06:39 282阅读 0赞

### 前言 ###

[打卡学习任务][Link 1]

### TF-IDF ###

这个笔记早就做过了笔记，文章链接在[TF-IDF方法提取文本特征–TfidfVectorizer 工具][TF-IDF_TfidfVectorizer]，虽然没有涉及到公式这类的，但是偏向实际，其他都可以百度得到。

### 点互信息 ###

这是表示两个变量之间的关联程度，其计算公式如下：  
 P M I ( x , y ) = log ⁡ ( p ( x , y ) p ( x ) p ( y ) ) PMI(x,y)=\\log(\\frac\{p(x,y)\}\{p(x)p(y)\}) PMI(x,y)=log(p(x)p(y)p(x,y))  
根据贝叶斯公式：  
 p ( x ∣ y ) = p ( x , y ) p ( y ) , p ( y ∣ x ) = p ( x , y ) p ( x ) p(x|y)=\\frac\{p(x,y)\}\{p(y)\} , p(y|x)=\\frac\{p(x,y)\}\{p(x)\} p(x∣y)=p(y)p(x,y),p(y∣x)=p(x)p(x,y)  
于是点互信息的公式就转换为：  
 P M I ( x , y ) = log ⁡ ( p ( x , y ) p ( x ) p ( y ) ) = l o g ( p ( x ∣ y ) p ( x ) ) = l o g ( p ( y ∣ x ) p ( y ) ) PMI(x,y)=\\log(\\frac\{p(x,y)\}\{p(x)p(y)\}) = log(\\frac\{p(x|y)\}\{p(x)\}) = log(\\frac\{p(y|x)\}\{p(y)\}) PMI(x,y)=log(p(x)p(y)p(x,y))=log(p(x)p(x∣y))=log(p(y)p(y∣x))  
如果x与y一点关系都没有，相互独立，则 p ( x , y ) = p ( x ) p ( y ) p(x,y)=p(x)p(y) p(x,y)=p(x)p(y)，这使得 P M I ( x , y ) = 0 PMI(x,y)=0 PMI(x,y)=0，如果两者有关联关系，则  
从公式中可以看到，可以分别求得出现y在x条件下出现的概率，与y本身出现的概率之比，可以看出两者的联系比，反之 p ( x ∣ y ) p(x|y) p(x∣y)也是一样。在NLP中可以查看两个词之间的相关性，可以约定一个n大小的滑动窗口，两个词在窗口内就可以认为两者是出现的，两个词出现的次数除以单词总次数就得到了 p ( x , y ) p(x,y) p(x,y)，同样的方法得到 p ( x ) p(x) p(x)和 p ( y ) p(y) p(y)，这样就可以回到两个词的相关性，同时，我们也可以求单词情感词性(正面情感，负面情感)。我们想衡量like这个词的极性（正向情感还是负向情感）。我们可以预先挑选一些正向情感的词，比如good，然后我们算like跟good的PMI。

### 互信息 ###

深入推广一下，对于两个拥有多个变量的样本来说，它们之间的关系就是：  
 I ( X , Y ) = ∑ y i ∈ Y ∑ x i ∈ X p ( x , y ) ∗ log ⁡ ( p ( x , y ) p ( x ) p ( y ) ) I(X,Y) = \\sum\_\{y\_i \\in Y\}\\sum\_\{x\_i \\in X\} p(x,y)\*\\log(\\frac\{p(x,y)\}\{p(x)p(y)\}) I(X,Y)=yi∈Y∑xi∈X∑p(x,y)∗log(p(x)p(y)p(x,y))

这里 X，Y是两个样本，两个样本之间有很多特征，这些特征都参与到这两个变量的互信息计算过程中，每个变量都会参与计算中。上述的对数底都是2位底数。  
参考博客讲解了很多关系互信息量的内容，这些内容有点晦涩难懂，大家感兴趣可以参考博客。

互信息有几个缺点：

*  无法归一化，
 *  特征值是连续变量计算结果较差，通常需要离散化数据，而互信息对离散化的方式很敏感。  
    最大信息系数解决了这个问题，它找到了一种最优的离散方式，然后把互信息取值转换成一种度量方式，值区间在\[0,1\]之间，

import numpy as np
      #minepy包——基于最大信息的非参数估计
    from minepy import MINE     
    
    m = MINE()
    x = np.random.uniform(-1, 1, 1000)   #均匀分布
    m.compute_score(x, x**2)
    print (m.mic())

### 参考博客 ###

[互信息（Mutual Information）的介绍][Mutual Information]  
[sklearn学习——特征工程(特征选择)][sklearn]

[Link 1]: https://github.com/datawhalechina/NLP/tree/master/%E5%AD%A6%E4%B9%A0%E4%BB%BB%E5%8A%A1
[TF-IDF_TfidfVectorizer]: https://blog.csdn.net/randompeople/article/details/84196199
[Mutual Information]: https://blog.csdn.net/qq_15111861/article/details/80724278
[sklearn]: https://blog.csdn.net/sqiu_11/article/details/59487177