Prestazioni del modello sui tuoi dati

In questo esercizio metterai in pratica la valutazione di un modello esistente sui tuoi dati. In questo caso, l’obiettivo è analizzare le prestazioni del modello su una specifica etichetta di entità, PRODUCT. Se un modello riesce a classificare correttamente una grande percentuale di entità PRODUCT (ad es. oltre il 75%), non è necessario addestrarlo su esempi di entità PRODUCT; altrimenti, dovresti considerare di addestrare il modello per migliorare le sue prestazioni nella predizione di entità PRODUCT.

Per questo esercizio userai due recensioni dal dataset Amazon Fine Food Reviews. Puoi accedere a queste recensioni tramite la lista texts.

Il modello en_core_web_sm è già caricato per te. Puoi richiamarlo con nlp(). Il modello è già stato eseguito sulla lista texts e documents, una lista di contenitori Doc, è a tua disposizione.

Questo esercizio fa parte del corso

Natural Language Processing con spaCy

Visualizza il corso

Istruzioni dell'esercizio

Crea una lista target_entities con tutte le entità per ciascuno dei documents e aggiungi una tupla (testo dell’entità, etichetta dell’entità) solo se Jumbo è presente nel testo dell’entità.
Per ogni tupla in target_entities, aggiungi True alla lista correct_labels se l’etichetta dell’entità (secondo elemento della tupla) è PRODUCT; in caso contrario, aggiungi False.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Append a tuple of (entities text, entities label) if Jumbo is in the entity
target_entities = []
for doc in ____:
  target_entities.extend([(ent.____, ent.____) for ent in doc.____ if "Jumbo" in ent.text])
print(target_entities)

# Append True to the correct_labels list if the entity label is `PRODUCT`
correct_labels = []
for ent in target_entities:
  if ____[1] == "PRODUCT":
    correct_labels.append(____)
  else:
    correct_labels.append(____)
print(correct_labels)

Modifica ed esegui il codice