Entrenar y probar el modelo de "fake news" con CountVectorizer

Ahora te toca entrenar el modelo de "fake news" usando las características que identificaste y extrajiste. En este primer ejercicio, entrenarás y probarás un modelo de Naive Bayes usando los datos de CountVectorizer.

Ya se han creado los conjuntos de entrenamiento y prueba, y se han calculado count_vectorizer, count_train y count_test.

Este ejercicio forma parte del curso

Introducción al Natural Language Processing en Python

Ver curso

Instrucciones del ejercicio

Importa el módulo metrics de sklearn y MultinomialNB de sklearn.naive_bayes.
Instancia un clasificador MultinomialNB llamado nb_classifier.
Ajusta el clasificador a los datos de entrenamiento.
Calcula las etiquetas predichas para los datos de prueba.
Calcula e imprime la puntuación de precisión del clasificador.
Calcula la matriz de confusión. Para que sea más fácil de leer, especifica el argumento con nombre labels=['FAKE', 'REAL'].

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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)

Editar y ejecutar código