Porovnání výkonu n-gramových modelů
Teď už víš, jak provádět analýzu sentimentu tak, že převedeš text do různých n-gramových reprezentací a předáš je klasifikátoru. V tomto cvičení provedeme analýzu sentimentu pro stejné filmové recenze jako předtím, tentokrát pomocí dvou n-gramových modelů: unigramů a n-gramů až do n rovného 3.
Následně porovnáme výkon podle tří kritérií: přesnost modelu na testovací sadě, čas potřebný ke spuštění programu a počet příznaků vzniklých při generování n-gramové reprezentace.
Toto cvičení je součástí kurzu
Feature Engineering for NLP in Python
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
start_time = time.time()
# Splitting the data into training and test sets
train_X, test_X, train_y, test_y = train_test_split(df['review'], df['sentiment'], test_size=0.5, random_state=42, stratify=df['sentiment'])
# Generating ngrams
vectorizer = ___
train_X = vectorizer.fit_transform(train_X)
test_X = vectorizer.transform(test_X)
# Fit classifier
clf = MultinomialNB()
clf.fit(train_X, train_y)
# Print accuracy, time and number of dimensions
print("The program took %.3f seconds to complete. The accuracy on the test set is %.2f. The ngram representation had %i features." % (time.time() - start_time, clf.score(test_X, test_y), train_X.shape[1]))