Améliorer votre modèle

Votre tâche dans cet exercice est de tester quelques niveaux d'alpha différents en utilisant les vecteurs Tfidf pour déterminer s'il existe une combinaison plus performante.

Les ensembles d'entraînement et de test ont été créés, et tfidf_vectorizer, tfidf_train et tfidf_test ont été calculés.

Cette activité fait partie du cours

Introduction au traitement du langage naturel en Python

Voir le cours

Instructions de l’exercice

Créez une liste d'alphas à essayer à l'aide de np.arange(). Les valeurs doivent aller de 0 à 1 par pas de 0.1.
Créez une fonction train_and_predict() qui prend un argument : alpha. La fonction doit :
- Instancier un classificateur MultinomialNB avec alpha=alpha.
- L'entraîner sur les données d'entraînement.
- Calculer les prédictions sur les données de test.
- Calculer et retourner le score de justesse (accuracy).
En utilisant une boucle for, affichez alpha, score et une ligne vide entre les deux. Utilisez votre fonction train_and_predict() pour calculer le score. Le score varie-t-il avec alpha? Quel est le meilleur alpha?

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create the list of alphas: alphas
alphas = ____

# Define train_and_predict()
def ____(____):
    # Instantiate the classifier: nb_classifier
    nb_classifier = ____
    # Fit to the training data
    ____
    # Predict the labels: pred
    pred = ____
    # Compute accuracy: score
    score = ____
    return score

# Iterate over the alphas and print the corresponding score
for alpha in alphas:
    print('Alpha: ', alpha)
    print('Score: ', ____)
    print()

Modifier et exécuter le code