Membaca Matriks Dokumen-Istilah

Matriks dokumen-istilah adalah kisi berisi hitungan. Setiap baris adalah dokumen dan setiap kolom adalah kata dari kosakata Anda. 🧮

Satu baris memuat seluruh vektor hitungan untuk satu dokumen, yang merangkum berapa kali setiap kata muncul di dalamnya.

Setiap kolom melacak satu kata di seluruh dokumen, sehingga membaca ke bawah sebuah kolom menunjukkan tempat kata tersebut muncul.

Nilai pada baris i dan kolom j adalah berapa kali kata j muncul dalam dokumen i, yaitu satu hitungan.

Bentuk matriks memberi tahu Anda jumlah dokumen dan jumlah kata unik yang sedang digunakan.

Satu dokumen biasanya hanya menggunakan beberapa dari ribuan kata, sehingga matriks sebagian besar berisi nol dan disebut renggang.

Menyimpan hanya nilai bukan nol membuat matriks berukuran besar tetap berada di memori. Inilah alasan scikit-learn mengembalikan format renggang.

Pasangkan susunan tersebut dengan nama fitur agar mudah dibaca. DataFrame mengubah hitungan mentah menjadi tabel yang jelas.

Lihat satu baris untuk mengetahui profil dokumen tersebut: kata yang digunakannya dan frekuensi penggunaannya. Baris itu adalah sidik jari dokumen.

Dokumen yang mirip memiliki baris yang mirip. Membandingkan vektor memungkinkan Anda mengukur seberapa dekat isi dua teks.

Matriks ini adalah masukan yang Anda berikan kepada pengklasifikasi. DTM merupakan fitur, sedangkan label Anda merupakan target.

Anda membaca matriks dokumen-istilah: baris sebagai dokumen, kolom sebagai kata, sel sebagai hitungan, dan melihat mengapa matriks tersebut renggang. 🎉