Améliorer votre modèle

Votre tâche dans cet exercice est de tester plusieurs valeurs d’alpha à l’aide des vecteurs Tfidf afin de déterminer s’il existe une combinaison plus performante.

Les jeux d’entraînement et de test ont été créés, et tfidf_vectorizer, tfidf_train et tfidf_test ont été calculés.

Cet exercice fait partie du cours

Introduction au Natural Language Processing (NLP) en Python

Afficher le cours

Instructions

Créez une liste de valeurs d’alpha à tester avec 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 classifieur MultinomialNB avec alpha=alpha.
- L’entraîner sur les données d’entraînement.
- Calculer les prédictions sur les données de test.
- Calculer et retourner la précision (accuracy).
À l’aide d’une boucle for, affichez alpha, score et une nouvelle ligne 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 cet exemple de code.

# 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