1.首先，我们用surf算法生成图像库中每幅图的特征点及描述符。
2.再用k-means算法对图像库中的特征点进行训练，生成类心。
3.生成每幅图像的BOF，具体方法为：判断图像的每个特征点与哪个类心最近，最近则放入该类心，最后将生成一列频数表，即初步的无权BOF。
4.通过tf-idf对频数表加上权重，生成最终的bof。（因为每个类心对图像的影响不同。比如超市里条形码中的第一位总是6，它对辨...
分类：
编程语言 时间：
2016-03-26 07:30:19
阅读次数：
273
这个标题看上去好像很复杂，其实我要谈的是一个很简单的问题。 有一篇很长的文章，我要用计算机提取它的关键词（Automatic Keyphrase extraction），完全不加以人工干预，请问怎样才能正确做到？ 这个问题涉及到数据挖掘、文本处理、信息检索等很多计算机前沿领域，但是出乎意料的是，有一...
分类：
其他好文 时间：
2016-03-10 12:34:47
阅读次数：
304
上一次，我用TF-IDF算法自动提取关键词。 今天，我们再来研究另一个相关的问题。有些时候，除了找到关键词，我们还希望找到与原文章相似的其他文章。比如，"Google新闻"在主新闻下方，还提供多条相似的新闻。 为了找出相似的文章，需要用到"余弦相似性"（cosine similiarity）。下面，...
分类：
其他好文 时间：
2016-03-10 12:24:36
阅读次数：
175
利用sklearn计算文本相似性，并将文本之间的相似度矩阵保存到文件当中。这里提取文本TF-IDF特征值进行文本的相似性计算。 #!/usr/bin/python # -*- coding: utf-8 -*- import numpy import os import sys from sklea
分类：
其他好文 时间：
2016-03-08 00:01:24
阅读次数：
2085
本篇blog是利用Python进行文章特征提取的续篇，主要介绍构建带TF-IDF权重的文章特征向量。 In [1]: # 带TF-IDF权重的扩展词库 # 在第一篇文档里 主要是利用词库模型简单判断单词是否在文档中出现。然而与单词的顺序、频率无关。然后词的频率对文档更有意义。因此本文将词频加入特征向
分类：
编程语言 时间：
2016-02-27 19:22:40
阅读次数：
252
1.说几种距离测度Mahout：欧式距离测度；平方欧式距离测度；曼哈顿距离测度；余弦距离测度；加权距离测度2.K-means算法参数：3.TF-IDF加权公式：4.聚类是什么？聚类是一种无监督的机器学习任务，可以自动将数据划分成类cluster。并不需要提前告知所划分的组是什么样的，因为我们可能都不...
分类：
其他好文 时间：
2016-01-18 22:20:54
阅读次数：
339
原文链接：http://www.ruanyifeng.com/blog/2013/03/tf-idf.html这个标题看上去好像很复杂，其实我要谈的是一个很简单的问题。有一篇很长的文章，我要用计算机提取它的关键词（Automatic Keyphrase extraction），完全不加以人工干预，请...
分类：
其他好文 时间：
2016-01-13 19:24:23
阅读次数：
156
tf–idf算法python代码实现这是我写的一个tf-idf的核心部分的代码，没有完整实现，当然剩下的事情就非常简单了，我们知道tfidf=tf*idf，所以可以分别计算tf和idf值在相乘，首先我们创建一个简单的语料库，作为例子，只有四句话，每句表示一个文档copus=['我正在学习计算机','...
分类：
编程语言 时间：
2015-12-23 22:58:21
阅读次数：
220
tf–idf算法解释tf–idf, 是term frequency–inverse document frequency的缩写，它通常用来衡量一个词对在一个语料库中对它所在的文档有多重要，常用在信息检索和文本挖掘中。一个很自然的想法是在一篇文档中词频越高的词对这篇文档越重要，但同时如果这个词又在非常...
分类：
编程语言 时间：
2015-12-23 21:12:25
阅读次数：
1036
TFIDF实际上是：TF * IDF，TF词频(Term Frequency)，IDF逆向文件频率(Inverse Document Frequency)。TF表示词条在文档d中出现的频率。IDF的主要思想是：如果包含词条t的文档越少，也就是n越小，IDF越大，则说明词条t具有很好的类别区分能力。T...
分类：
其他好文 时间：
2015-12-05 21:02:43
阅读次数：
219
