O pacote scikit-learn do Python oferece três principais tipos de vetorizadores de textos. 1. O peso...

Alternativa D - TF-IDFVectorizer, CountVectorizer e HashVectorizer.

Introdução

A biblioteca Scikit-Learn oferece diferentes classes para transformar texto em representações numéricas, cada uma com um propósito específico.

Desenvolvimento

1. TF-IDFVectorizer: Implementa o cálculo de Frequência do Termo × Inverso da Frequência nos Documentos. O peso reflete a importância da palavra no contexto global.
2. CountVectorizer: O modelo mais básico; simplesmente conta as ocorrências de cada token.
3. HashingVectorizer: Transforma tokens em índices usando uma função de hash. É muito eficiente em memória e ideal para grandes fluxos de dados (streaming), mas não permite recuperar as palavras originais (nomes das features).

Análise

• O item 1 descreve a lógica do TF-IDF.
• O item 2 descreve a lógica do Count.
• O item 3 descreve a lógica do Hashing.

Conclusão

A ordem correta dos conceitos apresentados é TF-IDF, Count e Hash.

Alternativa D.