Das „Fake News“-Modell mit CountVectorizer trainieren und testen

Jetzt liegt es an dir, das „Fake News“-Modell mit den von dir identifizierten und extrahierten Merkmalen zu trainieren. In dieser ersten Übung trainierst und testest du ein Naive-Bayes-Modell mit den CountVectorizer-Daten.

Die Trainings- und Testsets wurden erstellt, und count_vectorizer, count_train und count_test wurden berechnet.

Diese Übung ist Teil des Kurses

Einführung in Natural Language Processing mit Python

Kurs anzeigen

Anleitung zur Übung

Importiere das Modul metrics aus sklearn und MultinomialNB aus sklearn.naive_bayes.
Instanziiere einen MultinomialNB-Klassifikator namens nb_classifier.
Fitte den Klassifikator auf die Trainingsdaten.
Berechne die vorhergesagten Tags für die Testdaten.
Berechne und gib die Genauigkeit des Klassifikators aus.
Berechne die Konfusionsmatrix. Um sie leichter lesbar zu machen, gib das Schlüsselwortargument labels=['FAKE', 'REAL'] an.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import the necessary modules
____
____

# Instantiate a Multinomial Naive Bayes classifier: nb_classifier
nb_classifier = ____

# Fit the classifier to the training data
____

# Create the predicted tags: pred
pred = ____

# Calculate the accuracy score: score
score = ____
print(score)

# Calculate the confusion matrix: cm
cm = ____
print(cm)

Code bearbeiten und ausführen