Performance du modèle sur vos données

Dans cet exercice, vous allez vous exercer à évaluer un modèle existant sur vos données. Ici, l'objectif est d'examiner la performance du modèle sur une étiquette d'entité précise, PRODUCT. Si un modèle peut classer correctement un fort pourcentage d'entités PRODUCT (p. ex. plus de 75 %), vous n'avez pas besoin d'entraîner le modèle sur des exemples d'entités PRODUCT. Sinon, vous devriez envisager d'entraîner le modèle pour améliorer sa performance de prédiction des entités PRODUCT.

Vous utiliserez deux critiques tirées du jeu de données Amazon Fine Food Reviews pour cet exercice. Vous pouvez y accéder en utilisant la liste texts.

Le modèle en_core_web_sm est déjà chargé pour vous. Vous pouvez y accéder en appelant nlp(). Le modèle a déjà été exécuté sur la liste texts, et documents, une liste de conteneurs Doc, est à votre disposition.

Cette activité fait partie du cours

Traitement du langage naturel avec spaCy

Instructions de l’exercice

Constituez une liste target_entities de toutes les entités pour chacun des documents, et ajoutez un tuple (texte de l'entité, étiquette de l'entité) seulement si Jumbo se trouve dans le texte de l'entité.
Pour tout tuple dans target_entities, ajoutez True à une liste correct_labels si l'étiquette de l'entité (le deuxième élément du tuple) est PRODUCT, sinon ajoutez False.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Append a tuple of (entities text, entities label) if Jumbo is in the entity
target_entities = []
for doc in ____:
  target_entities.extend([(ent.____, ent.____) for ent in doc.____ if "Jumbo" in ent.text])
print(target_entities)

# Append True to the correct_labels list if the entity label is `PRODUCT`
correct_labels = []
for ent in target_entities:
  if ____[1] == "PRODUCT":
    correct_labels.append(____)
  else:
    correct_labels.append(____)
print(correct_labels)

Modifier et exécuter le code

Cette activité fait partie du cours

Traitement du langage naturel avec spaCy

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Ce chapitre vous présentera le NLP, certaines de ses applications comme la reconnaissance d'entités nommées et les robots conversationnels propulsés par l'IA. Vous apprendrez à utiliser la puissante bibliothèque spaCy pour effectuer diverses tâches de traitement du langage naturel, comme la tokenisation, la segmentation en phrases, l'étiquetage morphosyntaxique (POS tagging) et la reconnaissance d'entités nommées.

Exercise 1: Notions de base en traitement automatique du langage naturel (NLP)Exercise 2: Conteneur Doc dans spaCy Exercise 3: Cas d'utilisation de l'ERN Exercise 4: Tokenisation avec spaCy Exercise 5: Bases de spaCy Exercise 6: Exécuter un pipeline spaCy Exercise 7: Lemmatisation avec spaCy Exercise 8: Segmentation des phrases avec spaCy Exercise 9: Caractéristiques linguistiques dans spaCy Exercise 10: Étiquetage POS avec spaCy Exercise 11: La reconnaissance d'entités nommées (NER) avec spaCy Exercise 12: Traitement de texte avec spaCy

Découvrez les traits linguistiques, les vecteurs de mots, la similarité sémantique, les analogies et les opérations sur les vecteurs de mots. Dans ce chapitre, vous verrez comment utiliser spaCy pour extraire des vecteurs de mots, catégoriser des textes pertinents pour un sujet donné et trouver des termes sémantiquement similaires à des mots donnés à partir d'un corpus ou du vocabulaire d'un modèle spaCy.

Exercise 1: Caractéristiques linguistiques Exercise 2: Annotations linguistiques dans spaCy Exercise 3: Désambiguïsation du sens des mots avec spaCy Exercise 4: Analyse en dépendances avec spaCy Exercise 5: Introduction aux vecteurs de mots Exercise 6: Vocabulaire de spaCy Exercise 7: Vecteurs de mots dans le vocabulaire de spaCy Exercise 8: Vecteurs de mots et spaCy Exercise 9: Analogies et opérations sur les vecteurs Exercise 10: Projection de vecteurs de mots Exercise 11: Mots similaires dans un vocabulaire Exercise 12: Mesurer la similarité sémantique avec spaCy Exercise 13: Similarité de Doc avec spaCy Exercise 14: Similarité de segments avec spaCy Exercise 15: Similarité sémantique pour catégoriser du texte

Familiarisez-vous avec les composants du pipeline spaCy, la façon d'ajouter un composant au pipeline et d'analyser le pipeline de NLP. Vous verrez aussi plusieurs approches d'extraction d'information fondées sur des règles à l'aide des classes EntityRuler, Matcher et PhraseMatcher de spaCy, ainsi que du module RegEx de Python.

Exercise 1: Pipelines spaCy Exercise 2: Ajouter des composants (pipes) dans spaCy Exercise 3: Analyser les pipelines dans spaCy Exercise 4: EntityRuler de spaCy Exercise 5: EntityRuler avec un modèle spaCy vierge Exercise 6: EntityRuler pour la NER Exercise 7: EntityRuler avec plusieurs gabarits dans spaCy Exercise 8: Expressions régulières avec spaCy Exercise 9: Expressions régulières en Python Exercise 10: RegEx avec EntityRuler dans spaCy Exercise 11: Matcher et PhraseMatcher de spaCy Exercise 12: Faire correspondre un seul terme dans spaCy Exercise 13: PhraseMatcher dans spaCy Exercise 14: Appariement avec la syntaxe étendue dans spaCy

Explorez plusieurs cas d'usage réels où les modèles spaCy peuvent échouer et apprenez à les entraîner davantage pour améliorer leur performance. Vous serez initié aux étapes d'entraînement dans spaCy et comprendrez comment entraîner un modèle spaCy existant ou à partir de zéro, puis évaluer le modèle au moment de l'inférence.

Exercise 1: Personnaliser les modèles spaCy Exercise 2: Entraîner des modèles spaCy Exercise 3: Performance du modèle sur vos données

Exercice en cours

Exercise 4: Format des données d'entraînement de spaCy Exercise 5: Étapes d'entraînement Exercise 6: Annotation et préparation des données d'entraînement Exercise 7: Données d'entraînement compatibles Exercise 8: Entraînement avec spaCy Exercise 9: Étapes de préparation à l'entraînement Exercise 10: Entraîner un modèle NER existant Exercise 11: Entraîner un modèle spaCy à partir de zéro Exercise 12: En résumé