向量器将语料库(例如文本文档)转换为向量Vector Space Model。有很多方法可以做到这一点，而结果将取决于所使用的技术。矢量器是必要的，因为模型处理的是数字，而不是文字。
具体来说，CountVectorizer的实现将生成一个数组，其中包含每个单词的出现次数。在这种特定情况下，CountVectorizer被用作生成TF-IDF(Term Frequency-Inverse Document Frequency)表示的前一步，这是用于确定文档中单词的“重要性”的最常用技术之一。该模型的假设是，出现较多的术语更可能代表该文档(术语频率)，但不应考虑整个语料库之间的“常用词”(逆向文档频率)，例如连接词。该技术在信息检索领域有着广泛的应用。在
一旦你有了一个向量空间表示的语料库，你就可以开始使用这个表示作为你的机器学习技术的输入。在
尤其是transform方法将返回将训练(fit)模型应用于作为参数传递的元素的结果。换句话说，转换将输入“翻译”成“模型表示语言”。在
让我们用一个例子来说明这一点：
假设我们有3个文档(我知道内容没有意义)：文件一：这是一号文件，脾气暴躁。在
文件二：这是文件二是悲哀。在
文件三：这是三号文件是幸福的。在
当fit()被调用时，CountVectorizer将学习词汇表。在
[this, is, document, one, grumpy, two, sad, three, happy]
另一方面，当在语料库上调用transform时，它将使用词汇表来生成这个矩阵：
[1, 2, 1, 1, 1, 0, 0, 0, 0]
(1) [1, 2, 1, 0, 0, 1, 1, 0, 0]
[1, 2, 1, 0, 0, 0, 0, 1, 1]
包含每个文档的单词文档。这里，值2对应于单词“is”，在每个文档中重复两次。另外，值“0”表示文档中不存在该单词。在
现在，我们可以用这个矩阵用fit()来训练TF-IDF模型，它将生成以下向量：
(2) [3, 6, 3, 1, 1, 1, 1, 1, 1]
包含每个单词的全局出现次数。然后，当您将变换应用于(1)时，tf-idf模型将使用在拟合阶段(2)生成的向量来创建tf-idf矩阵：
[0.33, 0.33, 0.33, 1, 1, 0, 0, 0, 0]
[0.33, 0.33, 0.33, 0, 0, 1, 1, 0, 0]
[0.33, 0.33, 0.33, 0, 0, 0, 0, 1, 1]
其中较低的数字代表更常见的单词。注意“独特”的词有更高的数字。稍后的矩阵就是您将用来训练ML模型的矩阵。在
总而言之，例如，如果您希望使用聚类技术(例如KMeans)对一组文档进行分类，则过程如下：转换文档以生成VSM表示。适合TF-IDF模型，该模型将有助于确定每个文件中哪些术语最重要。
适合KMeans模型，该模型将生成理想情况下包含相关文档的集群。为此，模型将使用最后一步生成的结果，通过识别文档之间的共享词来建立文档关系。
所有这些解释都是在自然语言处理的背景下进行的，如果您想使用ML来识别图像，那么您当然不会使用tf-idf。在
我希望它能帮上忙！。在
