Analisis sentimen

Pada latihan video, Anda telah melihat berbagai penerapan model sequence-to-sequence. Dalam latihan ini, Anda akan melihat cara menggunakan model yang telah dilatih sebelumnya untuk analisis sentimen.

Model sudah dimuat di lingkungan pada variabel model. Selain itu, himpunan data uji yang telah ditokenisasi X_test dan y_test, serta data teks asli yang telah dipraolah sentences dari IMDb juga tersedia. Anda akan mempelajari cara praproses data teks serta cara membuat dan melatih model menggunakan Keras di bagian selanjutnya dari kursus.

Anda akan menggunakan model terlatih untuk menghasilkan prediksi sentimen. Model mengembalikan angka antara nol dan satu yang merepresentasikan probabilitas sebuah kalimat memiliki sentimen positif. Jadi, Anda akan membuat aturan keputusan untuk menetapkan prediksi menjadi positif atau negatif.

Latihan ini merupakan bagian dari kursus

Recurrent Neural Networks (RNN) untuk Pemodelan Bahasa dengan Keras

Instruksi latihan

Gunakan metode .predict() untuk membuat prediksi pada data uji.
Jadikan prediksi bernilai "positive" jika nilainya lebih besar dari 0.5 dan "negative" jika tidak, lalu simpan hasilnya ke variabel pred_sentiment.
Buat pd.DataFrame yang memuat teks yang telah dipraolah, prediksi yang diperoleh pada langkah sebelumnya, dan nilai kebenarannya yang terdapat dalam variabel y_test.
Cetak baris-baris pertama menggunakan metode .head().

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Inspect the first sentence on `X_test`
print(X_test[0])

# Get the predicion for all the sentences
pred = model.predict(____)

# Transform the predition into positive (> 0.5) or negative (<= 0.5)
pred_sentiment = ["positive" if x>____ else "negative" for x in pred]

# Create a data frame with sentences, predictions and true values
result = pd.DataFrame({'sentence': sentences, 'y_pred': ____, 'y_true': y_test})

# Print the first lines of the data frame
print(result.____)

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Recurrent Neural Networks (RNN) untuk Pemodelan Bahasa dengan Keras

SkillTag.level.advancedSkillTag.label

4.8+

Mulai Kursus Gratis

Pada bab ini, Anda akan mempelajari dasar-dasar Recurrent Neural Networks (RNN). Dimulai dengan beberapa prasyarat, dilanjutkan dengan memahami bagaimana informasi mengalir melalui jaringan, dan akhirnya melihat cara mengimplementasikan model tersebut dengan Keras untuk tugas klasifikasi sentimen.

Exercise 1: Pengantar kursus Exercise 2: Membandingkan jumlah parameter RNN dan ANN Exercise 3: Analisis sentimen

Latihan Saat Ini

Exercise 4: Model sequence to sequence Exercise 5: Pengantar model bahasa Exercise 6: Membiasakan diri dengan data teks Exercise 7: Menyiapkan data teks untuk masukan model Exercise 8: Mentransformasikan teks baru Exercise 9: Pengenalan RNN di dalam Keras Exercise 10: Model Keras Exercise 11: Prapemrosesan Keras Exercise 12: Model RNN pertama Anda

Anda akan mempelajari masalah vanishing dan exploding gradient yang sering terjadi pada RNN, serta cara menanganinya dengan sel GRU dan LSTM. Selain itu, Anda akan membuat lapisan embedding untuk model bahasa dan meninjau kembali tugas klasifikasi sentimen.

Exercise 1: Gradien yang menghilang dan meledak Exercise 2: Masalah exploding gradient Exercise 3: Masalah vanishing gradient Exercise 4: Sel GRU dan LSTM Exercise 5: Sel GRU lebih baik daripada simpleRNN Exercise 6: Menumpuk lapisan RNN Exercise 7: Lapisan Embedding Exercise 8: Perbandingan jumlah parameter Exercise 9: Transfer learning Exercise 10: Embedding meningkatkan kinerja Exercise 11: Klasifikasi sentimen: tinjauan ulang Exercise 12: Klasifikasi sentimen yang lebih baik Exercise 13: Menggunakan lapisan CNN

Berikutnya, pada bab ini Anda akan mempelajari cara menyiapkan data untuk tugas klasifikasi multikelas, serta perbedaan antara klasifikasi multikelas dan klasifikasi biner (analisis sentimen). Terakhir, Anda akan mempelajari cara membuat model dan mengukur kinerjanya dengan Keras.

Exercise 1: Prapemrosesan data Exercise 2: Menyiapkan vektor label Exercise 3: Praproses data Exercise 4: Transfer learning untuk model bahasa Exercise 5: Titik awal transfer learning Exercise 6: Word2Vec Exercise 7: Model klasifikasi multikelas Exercise 8: Menjelajahi himpunan data 20 News Groups Exercise 9: Klasifikasi artikel berita Exercise 10: Menilai kinerja model Exercise 11: Pertukaran Precision-Recall Exercise 12: Precision atau Recall, itu pertanyaannya Exercise 13: Kinerja pada klasifikasi multi-kelas

Bab ini memperkenalkan Anda pada dua aplikasi model RNN: Generasi Teks dan Neural Machine Translation. Anda akan mempelajari cara menyiapkan data teks ke format yang diperlukan oleh model. Model Generasi Teks digunakan untuk meniru gaya bertutur sebuah karakter dan kita akan bersenang-senang menirukan Sheldon dari The Big Bang Theory. Neural Machine Translation digunakan, misalnya, oleh Google Translate dalam model yang jauh lebih kompleks. Pada bab ini, Anda akan membuat model yang menerjemahkan frasa pendek bahasa Portugis ke bahasa Inggris.

Exercise 1: Model Sequence to Sequence Exercise 2: Contoh generasi teks Exercise 3: Contoh NMT Exercise 4: Fungsi Pembangkitan Teks Exercise 5: Prediksi karakter berikutnya Exercise 6: Menghasilkan kalimat dengan konteks Exercise 7: Ubah skala probabilitas Exercise 8: Model Generasi Teks Exercise 9: Buat vektor kalimat dan karakter berikutnya Exercise 10: Menyiapkan data untuk pelatihan Exercise 11: Membuat model pembangkit teks Exercise 12: Neural Machine Translation Exercise 13: Menyiapkan teks masukan Exercise 14: Menyiapkan teks keluaran Exercise 15: Terjemahkan Portugis ke Inggris Exercise 16: Selamat!