Co znamenají komponenty TF a IDF?

TF a IDF jsou klíčové složky metody TF-IDF, která se používá k hodnocení důležitosti slov v dokumentech.

• TF (Frekvence Výskytu Výrazu) — frekvence výrazu v konkrétním dokumentu. Ukazuje, jak často se slovo v textu vyskytuje.

• IDF (Inverzní Frekvence Dokumentu) — inverzní frekvence dokumentu, měří, jak vzácné nebo běžné je slovo v celé kolekci dokumentů.

Myšlenka je, že slova, která se často vyskytují v konkrétním dokumentu (vysoké TF), ale jsou vzácná v jiných dokumentech (vysoké IDF), mají větší význam pro tento dokument.

Vzorec:

[ \text{TF-IDF}(t, d) = \text{TF}(t, d) \times \log\left(\frac{N}{DF(t)}\right) ]

kde:

• (t) — výraz,
• (d) — dokument,
• (N) — celkový počet dokumentů,
• (DF(t)) — počet dokumentů obsahujících výraz (t).

TF-IDF se široce používá v informačním vyhledávání, analýze textu a strojovém učení k zvýraznění klíčových slov.