Tf–idf

Tf–idf (inglise term frequency–inverse document frequency) on statistiline mõõt, mida kasutatakse tihti infootsingus ja andmekaevanduses. Seda mõõtu kasutatakse sõnade tähtsuse hindamiseks tekstikorpuses. Enamasti kasvab sõna tähtsus proportsionaalselt sõna esinemissagedusega. Sellele loogikale ei allu väga tihti kasutatavad sõnad (näiteks sidesõnad, asesõnad jms), mille esinemissagedus on küll suur, aga tähtsus tekstis väike.

Niisiis võib kirjeldada tf-i (term frequency) ehk termini sagedust järgmiselt:

$\mathrm {tf} ={\frac {n_{i}}{\sum _{k}n_{k}}}$

kus termini esinemissagedus tekstis ($n_{i}$) on jagatud sõnade hulgaga tekstis.

Idf-iga mõõdetakse termini üldist tähtsust järgmise valemi abil:

$\mathrm {idf} =\log {\frac {|D|}{|(d_{i}\supset t_{i})|}}$

kus |D| on tekstide arv korpuses ja $|(d_{i}\supset t_{i})|$ tekstide arv, kus termin $t_{i}$ esineb.

Tf–idf on seega järgmine:

$\mathrm {tfidf} =\mathrm {tf} \cdot \mathrm {idf}$