Začněte nyníZačněte zdarma

Výkon modelu na tvých datech

V tomto cvičení si procvičíš vyhodnocení existujícího modelu na vlastních datech. Cílem je zjistit, jak si model vede u konkrétního štítku entity – PRODUCT. Pokud model dokáže správně klasifikovat velkou část entit PRODUCT (například více než 75 %), není potřeba ho na příkladech těchto entit dále trénovat. V opačném případě bys měl/a zvážit dotrénování modelu, aby se jeho přesnost při předpovídání entit PRODUCT zlepšila.

Pro toto cvičení použiješ dvě recenze z datasetu Amazon Fine Food Reviews. Najdeš je v seznamu texts.

Model en_core_web_sm je už načtený – přistoupíš k němu voláním nlp(). Model byl spuštěn na seznamu texts a k dispozici máš seznam documents obsahující kontejnery Doc.

Toto cvičení je součástí kurzu

Zpracování přirozeného jazyka s knihovnou spaCy

Zobrazit kurz

Pokyny k cvičení

  • Sestav seznam target_entities ze všech entit z každého dokumentu v documents a přidej do něj n-tici (text entity, štítek entity) pouze tehdy, pokud text entity obsahuje slovo Jumbo.
  • Pro každou n-tici v target_entities přidej do seznamu correct_labels hodnotu True, pokud je štítek entity (druhý prvek n-tice) roven PRODUCT, jinak přidej False.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Append a tuple of (entities text, entities label) if Jumbo is in the entity
target_entities = []
for doc in ____:
  target_entities.extend([(ent.____, ent.____) for ent in doc.____ if "Jumbo" in ent.text])
print(target_entities)

# Append True to the correct_labels list if the entity label is `PRODUCT`
correct_labels = []
for ent in target_entities:
  if ____[1] == "PRODUCT":
    correct_labels.append(____)
  else:
    correct_labels.append(____)
print(correct_labels)
Upravit a spustit kód