Höherstellige N-Gramme für Sentiment-Analyse

Ähnlich wie in einer früheren Übung bauen wir einen Klassifikator, der erkennt, ob die Rezension zu einem bestimmten Film positiv oder negativ ist. Diesmal verwenden wir allerdings N-Gramme bis n=2 für die Aufgabe.

Die Trainingsrezensionen mit N-Grammen findest du in X_train_ng. Die entsprechenden Testrezensionen sind in X_test_ng verfügbar. Verwende schließlich y_train und y_test, um auf die Trainings- bzw. Test-Sentimentklassen zuzugreifen.

Diese Übung ist Teil des Kurses

<Kurs>Feature Engineering für NLP in Python</Kurs>

Kurs ansehen

Übungsanweisungen

Erzeuge eine Instanz von MultinomialNB und nenne sie clf_ng.
Fitte den Klassifikator auf X_train_ng und y_train.
Miss die accuracy auf X_test_ng und y_test mithilfe der Methode score().

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Define an instance of MultinomialNB 
clf_ng = ____

# Fit the classifier 
clf_ng.____(____, ____)

# Measure the accuracy 
accuracy = ____
print("The accuracy of the classifier on the test set is %.3f" % accuracy)

# Predict the sentiment of a negative review
review = "The movie was not good. The plot had several holes and the acting lacked panache."
prediction = clf_ng.predict(ng_vectorizer.transform([review]))[0]
print("The sentiment predicted by the classifier is %i" % (prediction))

Code bearbeiten und ausführen