这个模型主要用于信息检索，但它的思想用于图像也未尝不可。

TFIDF的主要思想是：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，

则认为此词或者短语具有很好的类别区分能力，适合用来分类。

只需理解两个概念就行了：


TF（词频）公式：

   

以上式子中  是该词在文件中的出现次数，而分母则是在文件中所有字词的出现次数之和。


IDF反文档频率：

      


  • |D|：语料库中的文件总数
  • ：包含词语的文件数目（即的文件数目）如果该词语不在语料库中，就会导致被除数为零，因此一般情况下使用

然后