Klasifikasi sentimen ulasan

Sekarang setelah Anda menghitung embedding, saatnya menghitung jarak kosinus dan mengekstrak label yang paling mirip.

Anda akan melakukannya dengan mendefinisikan fungsi bernama find_closest() yang dapat digunakan untuk membandingkan embedding antara satu vektor dan banyak vektor lainnya, lalu mengembalikan jarak terdekat beserta indeksnya. Selanjutnya, Anda akan melakukan loop pada ulasan dan menggunakan find_closest() untuk menemukan jarak terdekat bagi setiap ulasan, lalu mengekstrak label klasifikasi menggunakan indeks tersebut.

Objek class_embeddings dan review_embeddings yang Anda buat pada latihan sebelumnya tersedia untuk digunakan, begitu juga reviews dan sentiments.

Latihan ini merupakan bagian dari kursus

Pengantar Embeddings dengan OpenAI API

Lihat Kursus

Instruksi latihan

Definisikan fungsi bernama find_closest() yang mengembalikan jarak dan indeks embedding yang paling mirip dengan query_vector.
Gunakan find_closest() untuk menemukan jarak terdekat antara embedding setiap ulasan dan class_embeddings.
Gunakan 'index' dari closest untuk melakukan subset sentiments dan mengekstrak 'label'.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Define a function to return the minimum distance and its index
def find_closest(query_vector, embeddings):
  distances = []
  for index, embedding in enumerate(embeddings):
    dist = distance.cosine(____, ____)
    distances.append({"distance": dist, "index": index})
  return ____(distances, key=lambda x: x["distance"])

for index, review in enumerate(reviews):
  # Find the closest distance and its index using find_closest()
  closest = ____(review_embeddings[____], ____)
  # Subset sentiments using the index from closest
  label = ____
  print(f'"{review}" was classified as {label}')

Edit dan Jalankan Kode