Calculadora de TF-IDF
Calcula el TF-IDF de un término en un documento: frecuencia del término, frecuencia inversa de documento y su producto, con TF bruta, relativa, logarítmica o binaria e IDF estándar, suavizada o probabilística.
Cómo funciona
TF-IDF = TF × IDF; TF = conteo ÷ palabras (o conteo bruto, 1 + log conteo, o 1/0); IDF = log(N ÷ df), o log(N ÷ (1 + df)) + 1, o log((1 + N) ÷ (1 + df)) + 1, o log((N − df) ÷ df)
TF-IDF (frecuencia del término por frecuencia inversa de documento) mide qué tan importante es una palabra para un documento dentro de una colección: aumenta con las veces que la palabra aparece en el documento y disminuye cuantos más documentos la contienen, de modo que palabras de relleno como “el” puntúan casi cero y los términos distintivos puntúan alto. Es la ponderación clásica de buscadores, extracción de palabras clave y similitud de documentos (Spärck Jones, 1972; Manning y colaboradores, Introduction to Information Retrieval).
Ejemplo resuelto
Un documento de 100 palabras menciona “gato” 3 veces, así que TF = 0.03; “gato” aparece en 1,000 de 10,000,000 documentos, así que IDF = log₁₀(10,000,000 ÷ 1,000) = 4 y TF-IDF = 0.03 × 4 = 0.1200.
Fuentes: Manning, Raghavan & Schütze, Introduction to Information Retrieval — tf-idf weighting · scikit-learn — Tf-idf term weighting · tf–idf — Wikipedia
Preguntas frecuentes
¿Qué variante de TF e IDF debo usar?
La definición de libro de texto es frecuencia relativa × log(N/df). TfidfVectorizer de scikit-learn usa conteos brutos con la IDF suavizada ln((1 + N)/(1 + df)) + 1 y luego normaliza cada vector de documento: elige la misma variante que el sistema con el que comparas.
¿Importa la base del logaritmo?
Multiplica todas las IDF por la misma constante, así que el orden de los términos no cambia; solo cambian los valores absolutos.
¿Por qué la IDF puede ser cero o negativa?
Con la fórmula estándar, un término presente en todos los documentos obtiene log(1) = 0; la IDF probabilística se vuelve negativa cuando más de la mitad de los documentos contienen el término. Las variantes suavizadas suman 1 para mantener los pesos positivos.
¿Se sigue usando TF-IDF con los embeddings modernos?
Sí: es una línea base rápida y transparente para la búsqueda por palabras clave, y BM25 (un refinamiento de TF-IDF) se combina todavía con embeddings en la búsqueda híbrida.
Calculadoras relacionadas
Esta calculadora tiene fines informativos. Verifica los resultados importantes antes de tomar decisiones.