Bag-of-Words e TF-IDF
Dataset — assuntos de e-mail
Pré-processamento: minúsculas, sem pontuação, sem stopwords.
Clique num documento para destacá-lo na matriz.
Vocabulário extraído
palavras únicas — cada uma vira uma coluna.
Clique para destacar a coluna na matriz.
Matriz documento–palavra
Passe o mouse ou clique em uma célula para ver o cálculo detalhado.
BoW ignora a ordem das palavras:
"ganhe prêmio agora" e "agora prêmio ganhe" produzem o mesmo vetor.
TF-IDF pondera pela raridade da palavra na coleção,
mas o problema de ordem permanece.