matlab tfidf详细代码

TF-IDF（Term Frequency-Inverse Document Frequency）是一种常用的文本特征提取方法，常用于文本分类、聚类、信息检索等任务中。在 MATLAB 中，可以使用以下代码实现 TF-IDF 特征提取。

首先，假设我们有一个文本集合，其中包含多个文档，每个文档都是一个字符串。我们需要将这些文档转换为数字特征向量，以便进行机器学习任务。以下是实现 TF-IDF 特征提取的 MATLAB 代码：

% 假设我们有一个文本集合，存储在一个 cell 数组中
documents = {'This is the first document', 'This is the second document', 'This is the third document', 'This is the fourth document'};

% 将单词拆分成词项
words = split(documents, ' ');

% 去除常见的停用词
stopWords = ["the", "is", "this", "a", "an", "and", "of", "to", "in", "for", "on", "at", "with"];
words = removeWords(words, stopWords);

% 计算每个词项在每个文档中的出现次数
wordCounts = countWords(words);

% 计算每个词项在多少个文档中出现过
docFreq = sum(wordCounts > 0, 2);

% 计算每个词项在每个文档中的 TF-IDF 值
numDocs = numel(documents);
tfidf = zeros(size(words, 1), numDocs);
for i = 1:numDocs
    tf = wordCounts(:, i) / sum(wordCounts(:, i));
    idf = log(numDocs ./ docFreq)';
    tfidf(:, i) = tf .* idf;
end

在上面的代码中，我们首先将每个文档拆分成词项，并去除常见的停用词。然后，使用 `countWords` 函数计算每个词项在每个文档中出现的次数。接着，我们计算每个词项在多少个文档中出现过，以便计算 IDF 值。最后，我们使用 TF 和 IDF 值计算每个词项在每个文档中的 TF-IDF 值。

注意，上面的代码中使用了 MATLAB 自带的函数 `split`、`removeWords` 和 `countWords`，这些函数可以帮助我们快速实现 TF-IDF 特征提取。如果需要了解这些函数的详细用法，请参考 MATLAB 文档。

希望这个代码可以对你有所帮助！