差分

このページの2つのバージョン間の差分を表示します。

--- korean:mecab:python_mk_tfidf [2021/11/07 23:29] – [TF-IDFの計算と上位10語の表示] yoshi
+++ korean:mecab:python_mk_tfidf [2021/11/12 19:38] (現在) – [TF-IDFの計算と上位10語の表示] yoshi
@@ 行 1: / 行 1: @@
-====== HanDicの出力結果をPythonで利用する：tf-idfの計算 ======
+====== HanDicの出力結果をPythonで利用する：TF-IDFの計算 ======
 ===== はじめに =====
@@ 行 88: / 行 88: @@
 ここから後は，[[korean:mecab:python_tfidf|]]と同じ手順です．scikit-learnでTF-IDFを計算します．
+<wrap info>[2021/11\09 追記]</wrap> ''TfidfVectorizer()''の''token_pattern''を書いておかないと，古ハングルが無視されて計算されてしまいます．Unicodeの私用領域（PUA）に含まれる古ハングルを，文字コードで指定することにしました（参照：[[https://ja.wikipedia.org/wiki/%E5%8F%A4%E3%83%8F%E3%83%B3%E3%82%B0%E3%83%AB|古ハングル（Wikipedia）]]）．これで合っているか分かりませんが，ともかく古ハングルが含まれた項目も計算に入るようになります．
 <code python>
 # モデルを作成
-vectorizer = TfidfVectorizer(smooth_idf=False)
+vectorizer = TfidfVectorizer(smooth_idf=False, token_pattern='(?u)[\\w\\ue0bc-\\uefff\\uf100-\\uf66e\\uf784-\\uf800\\uf806-\\uf864\\uf86a-\\uf8f7]+')
 values = vectorizer.fit_transform(docs).toarray()
 feature_names = vectorizer.get_feature_names_out()
@@ 行 107: / 行 109: @@
 </code>
-結果は以下の通り：
+結果は以下の通り（<wrap info>[2021/11/09 追記]</wrap> ''token_pattern''を変えたことで，計算結果に違いが出ましたので変更しておきます．傾向にあまり変わりはありません）：
 <code text>
      c_sekbo_06_main_v03.txt
-須達                  0.719277
+須達                  0.688172
-舍利弗                 0.272642
+舍利弗                 0.260852
-精舍                  0.244040
+精舍                  0.233487
-부텨                  0.243841
+부텨                  0.233296
-耶輸                  0.166975
+耶輸                  0.159754
-太子                  0.155795
+太子                  0.149058
-六師                  0.154131
+六師                  0.147465
-目連                  0.128442
+사                  0.145260
-舍衛國                 0.125518
+目連                  0.122888
-護彌                  0.115598
+舍衛國                 0.120090
          c_sekbo_09_main_v03.txt
-有情                      0.514115
+有情                      0.475275
-藥師瑠璃光如來                 0.431194
+藥師瑠璃光如來                 0.398618
-橫死                      0.265350
+橫死                      0.245303
-大願                      0.215597
+大願                      0.199309
-일훔                      0.213857
+일훔                      0.197701
-菩提                      0.199012
+來世                      0.183978
-來世                      0.199012
+菩提                      0.183978
-惡趣                      0.149259
+惡趣                      0.137983
-文殊師利                    0.130755
+病                       0.123366
-부텨                      0.118809
+文殊師利                    0.120877
      c_sekbo_13_main_v03.txt
-부텨                  0.494233
+부텨                  0.454087
-舍利弗                 0.349437
+舍利弗                 0.321053
-佛道                  0.257761
+佛道                  0.236824
-菩薩                  0.244011
+菩薩                  0.224191
-諸佛                  0.238970
+諸佛                  0.219559
-衆生                  0.162934
+法                   0.189619
-일훔                  0.141209
+사                  0.179639
-知見                  0.121299
+衆生                  0.149699
-佛乘                  0.121299
+일훔                  0.129739
-因緣                  0.115584
+佛乘                  0.111446
      c_sekbo_19_main_v03.txt
-소리                  0.405196
+소리                  0.354649
-부텨                  0.239810
+사                  0.231608
-菩薩                  0.195539
+香                   0.213933
-隨喜                  0.184687
+부텨                  0.209894
-法華經                 0.184687
+經                   0.172931
-得大勢                 0.184687
+菩薩                  0.171147
-善女人                 0.156186
+隨喜                  0.161648
-淸淨                  0.151089
+法華經                 0.161648
-功德                  0.146655
+得大勢                 0.161648
-摩訶薩                 0.140011
+得                   0.159230
      c_sekbo_23_main_v03.txt
-부텨                  0.354663
+부텨                  0.322129
-舍利                  0.318446
+舍利                  0.289234
-供養                  0.241816
+棺                   0.231640
-拘尸城                 0.225031
+供養                  0.219634
-金棺                  0.225031
+拘尸城                 0.204388
-大衆                  0.196956
+金棺                  0.204388
-如來                  0.182705
+大衆                  0.178889
-一切                  0.177332
+如來                  0.165945
-阿那律                 0.165022
+사                  0.165945
-涅槃                  0.146129
+一切                  0.161065
      c_sekbo_24_main_v03.txt
-尊者                  0.421416
+王                   0.605065
-阿育王                 0.387703
+尊者                  0.305280
-부텨                  0.289824
+阿育王                 0.280858
-夫人                  0.190071
+부텨                  0.209953
-善容                  0.185423
+사                  0.139969
-太子                  0.184018
+夫人                  0.137691
-供養                  0.169064
+善容                  0.134323
-比丘                  0.144912
+놈                   0.134323
-對答                  0.144265
+太子                  0.133305
-上座                  0.134853
+塔                   0.129287
 </code>
-（以下継続）
+須達と舎利仏のストーリーが中心的な巻6，『薬師瑠璃光如来本願功徳経』の翻訳である巻9，『法華経』の翻訳である巻13，19，釈迦入滅後，舎利の扱いを論じる巻23，阿育王の話が出てくる巻24と，それぞれの特徴が示されています．
+===== 終わりに =====
+取得したデータをMeCabで処理しながら，その結果を利用するということが多いかと思いますが，既に出力結果がある場合，また出力結果を修正した正解ファイルがある場合も，簡単に処理することができます．形態素解析の結果には誤りも含まれることがあるため，正解ファイルを利用する，ということもニーズがあると思われます．
+{{indexmenu_n>206}}