Entraîner et tester le modèle de « fake news » avec TfidfVectorizer
Maintenant que vous avez évalué le modèle avec CountVectorizer, vous ferez la même chose avec TfidfVectorizer et un modèle Naive Bayes.
Les ensembles d'entraînement et de test ont été créés, et tfidf_vectorizer, tfidf_train et tfidf_test ont été calculés. De plus, MultinomialNB et metrics ont été importés de, respectivement, sklearn.naive_bayes et sklearn.
Cette activité fait partie du cours
Introduction au traitement du langage naturel en Python
Instructions de l’exercice
- Instanciez un classificateur
MultinomialNBnomménb_classifier. - Entraînez le classificateur sur les données d'entraînement.
- Calculez les étiquettes prédites pour les données de test.
- Calculez et affichez le score de justesse du classificateur.
- Calculez la matrice de confusion. Comme dans l'exercice précédent, précisez l'argument clé
labels=['FAKE', 'REAL']afin de rendre la matrice de confusion plus facile à lire.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create 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)