Inspection de votre modèle

Maintenant que vous avez construit un classificateur de "fake news", vous allez étudier ce qu'il a appris. Vous pouvez ramener les poids vectoriels importants à des mots réels à l'aide de quelques techniques d'inspection simples.

Votre classificateur tfidf Naive Bayes performant est disponible à l'adresse nb_classifier, et les vecteurs à l'adresse tfidf_vectorizer.

Cet exercice fait partie du cours

Introduction au traitement du langage naturel en Python

Afficher le cours

Instructions

Enregistrez les étiquettes de classe sous class_labels en accédant à l'attribut .classes_ de nb_classifier.
Extrayez les caractéristiques à l'aide de la méthode .get_feature_names() de tfidf_vectorizer.
Créez un tableau zippé des coefficients du classificateur avec les noms des caractéristiques et triez-les par coefficients. Pour ce faire, utilisez d'abord zip() avec les arguments nb_classifier.coef_[0] et feature_names. Utilisez ensuite le site sorted().
Imprimez les 20 premières caractéristiques pondérées pour la première étiquette de class_labels et imprimez les 20 dernières caractéristiques pondérées pour la deuxième étiquette de class_labels. Cela 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