Examiner votre modèle

Maintenant que vous avez construit un classificateur de « fake news », vous allez analyser ce qu’il a appris. Vous pouvez faire correspondre les poids importants du vecteur à des mots réels en utilisant quelques techniques d’inspection simples.

Votre classificateur Naive Bayes avec tfidf, performant, est disponible sous nb_classifier, et le vectoriseur sous tfidf_vectorizer.

Cet exercice fait partie du cours

Introduction au Natural Language Processing (NLP) en Python

Afficher le cours

Instructions

Enregistrez les étiquettes de classes dans class_labels en accédant à l’attribut .classes_ de nb_classifier.
Extrayez les caractéristiques avec la méthode .get_feature_names() de tfidf_vectorizer.
Créez un tableau zippé des coefficients du classificateur avec les noms de caractéristiques et triez-le par coefficients. Pour cela, utilisez d’abord zip() avec les arguments nb_classifier.coef_[0] et feature_names. Ensuite, appliquez sorted() dessus.
Affichez les 20 caractéristiques les plus pondérées pour la première étiquette de class_labels et affichez les 20 caractéristiques les moins pondérées pour la deuxième étiquette de class_labels. Ceci a été fait pour vous.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Get the class labels: class_labels
class_labels = ____

# Extract the features: feature_names
feature_names = ____

# Zip the feature names together with the coefficient array and sort by weights: feat_with_weights
feat_with_weights = ____(____(____, ____))

# Print the first class label and the top 20 feat_with_weights entries
print(class_labels[0], feat_with_weights[:20])

# Print the second class label and the bottom 20 feat_with_weights entries
print(class_labels[1], feat_with_weights[-20:])

Modifier et exécuter le code