我的第一篇blog - Hexo架設的樣式設計 - 基於Butterfly
前言
這是我在建立過程中，設置的一些小細節，如果我的文章有幫助到你的話，希望可以在下面留言:D
給我一個“讚”～
修改 home aside 樣式
整體寬度
前往themes/butterfly/source/css/_layout/aside.styl 找到 card-widget 的樣式，然後修改成以下樣式。
1234567.card-widget @extend .cardHover position: relative overflow: hidden margin-top: 20px margin-left: 15px # 添加這個 padding: 20px 24px
tag
前往themes/butterfly/source/css/_layout/aside.styl找到 card-tag-cloud 的樣式，然後修改成以下樣式。
123456789101112131415161718192021222324252627282930.card-tag-cloud a display: inline-block; margin: 0.2rem ...
資料分析概念大全 - TF, IDF, TF-IDF, Text Classification 樣樣來
一句話解釋TF-IDF『用來從一段文字/一個語料庫中，給越重要的字詞/文檔，越高的加權分數』
TF-IDF
你看，TF - IDF ，前面的TF是Term Frequency的縮寫，後面的IDF是Inverse Document Frequency的縮寫，合在一起則說明了它如何計算出誰是相對比較重要的字詞。
TF-IDF 有點像是互相牽制的感覺，前面的TF是Term Frequency的縮寫，後面的IDF是Inverse Document Frequency的縮寫。
綜合兩個公式值相乘，便得到我們今天介紹的TF-IDF值
字詞的重要性隨著 在文本出現的頻率越高則越高(TF)；在不同文本檔案間出現的次數越高則反而降低(DF)。
更白話一點：一個單字在一篇文章中出現的次數越多，那麼這個單字就越重要，但是如果這個單字在其他文章中也出現很多次，那麼這個單字就越不重要。
Term Frequency (tf)
上圖取自：【資料分析概念大全｜認識文本分析】對文本重點字詞加權的TF-IDF方法
我們先把拆解出來的每個詞在各檔案出現的次數，一一列出，組成矩陣。
nt,d{n_{t,d} ...