Régulariser des modèles avec des données de Twitter
Vous travaillerez avec des données Twitter qui expriment le sentiment de clients à propos de compagnies aériennes. La matrice de caractéristiques X et le vecteur d'étiquettes y ont été créés pour vous. De plus, la division entraînement/test a été effectuée. Vous pouvez utiliser directement les tableaux X_train, X_test, y_train et y_test.
Vous allez entraîner des modèles régularisés et d'autres plus flexibles, puis les évaluer à l'aide de différentes mesures de performance.
Tous les modules requis ont été importés pour vous.
Cette activité fait partie du cours
Analyse de sentiment en Python
Instructions de l’exercice
- Entraînez deux régressions logistiques : une avec un paramètre de régularisation de 100 et une autre de 0,1.
- Affichez les scores de justesse (accuracy) des deux modèles.
- Affichez la matrice de confusion de chaque modèle.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Build a logistic regression with regularizarion parameter of 100
log_reg1 = ____.____
# Build a logistic regression with regularizarion parameter of 0.1
log_reg2 = ____.____
# Predict the labels for each model
y_predict1 = log_reg1.predict(X_test)
y_predict2 = log_reg2.predict(X_test)
# Print performance metrics for each model
print('Accuracy of model 1: ', ____(____, ____))
print('Accuracy of model 2: ', ____(___, ____))
print('Confusion matrix of model 1: \n' , ____(____, ____)/len(y_test))
print('Confusion matrix of model 2: \n', ____(____, ____)/len(y_test))