Análisis de sentimiento

En el ejercicio del vídeo, has visto las diversas aplicaciones de los modelos de secuencia a secuencia. En este ejercicio verás cómo utilizar un modelo preentrenado para el análisis de sentimientos.

El modelo está precargado en el entorno en la variable model. Además, también están disponibles las variables del conjunto de pruebas tokenizadas X_test y y_test, así como los datos de texto originales preprocesados sentences de IMDb. Más adelante en el curso, aprenderás a preprocesar los datos de texto y a crear y entrenar el modelo utilizando Keras.

Utilizarás el modelo preentrenado para obtener predicciones de sentimiento. El modelo devuelve un número entre cero y uno que representa la probabilidad de que la frase tenga un sentimiento positivo. Por lo tanto, crearás una regla de decisión para establecer la predicción como positiva o negativa.

Este ejercicio forma parte del curso

Redes neuronales recurrentes (RNN) para el modelado del lenguaje con Keras

Ver curso

Instrucciones del ejercicio

Utiliza el método ` .predict() ` para realizar predicciones sobre los datos de prueba.
Haz que la predicción sea igual a "positive" si su valor es mayor que 0.5 y "negative" en caso contrario, y guarda el resultado en la variable pred_sentiment.
Crea un objeto de tipo « pd.DataFrame » que contenga el texto preprocesado, la predicción obtenida en el paso anterior y sus valores reales contenidos en la variable « y_test ».
Imprime las primeras filas utilizando el método .head().

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Inspect the first sentence on `X_test`
print(X_test[0])

# Get the predicion for all the sentences
pred = model.predict(____)

# Transform the predition into positive (> 0.5) or negative (<= 0.5)
pred_sentiment = ["positive" if x>____ else "negative" for x in pred]

# Create a data frame with sentences, predictions and true values
result = pd.DataFrame({'sentence': sentences, 'y_pred': ____, 'y_true': y_test})

# Print the first lines of the data frame
print(result.____)

Editar y ejecutar código