रेग्युलराइज़ेशन के साथ प्रोडक्ट रिव्यूज़
इस अभ्यास में, आप एक बार फिर Amazon प्रोडक्ट रिव्यूज़ के reviews डेटासेट के साथ काम करेंगे। लेबल्स का वेक्टर y सेंटिमेंट रखता है: अगर रिव्यू पॉज़िटिव हो तो 1, अन्यथा 0। मैट्रिक्स X में BOW एप्रोच से बनाए गए सभी न्यूमेरिक फीचर्स हैं.
आपको अलग-अलग रेग्युलराइज़ेशन स्तरों के साथ दो लॉजिस्टिक रिग्रेशन मॉडल ट्रेन करने हैं और टेस्ट डेटा पर उनके प्रदर्शन की तुलना करनी है। याद रखें कि रेग्युलराइज़ेशन मॉडल की जटिलता को नियंत्रित करने का तरीका है। जितना अधिक रेग्युलराइज़ेशन होगा, मॉडल उतना कम लचीला होगा, लेकिन उसकी जनरलाइज़ करने की क्षमता बेहतर हो सकती है। अधिक रेग्युलराइज़ेशन वाले मॉडल अक्सर बिना रेग्युलराइज़ेशन वाले मॉडलों की तुलना में कम सटीक हो सकते हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Sentiment Analysis
अभ्यास निर्देश
- डेटा को train और test सेट्स में बाँटें.
1000रेग्युलराइज़ेशन पैरामीटर के साथ एक लॉजिस्टिक रिग्रेशन ट्रेन करें। दूसरा लॉजिस्टिक रिग्रेशन0.001के बराबर रेग्युलराइज़ेशन पैरामीटर के साथ ट्रेन करें.- दोनों मॉडलों के टेस्ट सेट पर accuracy स्कोर प्रिंट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Split data into training and testing
____, ____, ____, ____ = train_test_split(____, ____, test_size=0.2, random_state=123)
# Train a logistic regression with regularization of 1000
log_reg1 = ____(____=1000).fit(X_train, y_train)
# Train a logistic regression with regularization of 0.001
log_reg2 = ____(____=0.001).fit(X_train, y_train)
# Print the accuracies
print('Accuracy of model 1: ', log_reg1.____(____, ____))
print('Accuracy of model 2: ', log_reg2.____(____, ____))