Analisi del sentiment
Nel video-esercizio hai visto le varie applicazioni dei modelli sequence-to-sequence. In questo esercizio vedrai come usare un modello pre-addestrato per l'analisi del sentiment.
Il modello è già caricato nell'ambiente nella variabile model. Anche le variabili del set di test tokenizzato X_test e y_test e i dati testuali originali pre-processati sentences da IMDb sono disponibili. Imparerai più avanti nel corso come pre-processare i dati testuali e come creare e addestrare il modello usando Keras.
Userai il modello pre-addestrato per ottenere le predizioni del sentiment. Il modello restituisce un numero tra zero e uno che rappresenta la probabilità che la frase abbia un sentiment positivo. Quindi, creerai una regola decisionale per impostare la predizione su positivo o negativo.
Questo esercizio fa parte del corso
Reti Neurali Ricorrenti (RNN) per il Language Modeling con Keras
Istruzioni dell'esercizio
- Usa il metodo
.predict()per fare le predizioni sui dati di test. - Imposta la predizione uguale a
"positive"se il suo valore è maggiore di0.5e"negative"altrimenti, e salva il risultato nella variabilepred_sentiment. - Crea un
pd.DataFramecontenente il testo pre-processato, la predizione ottenuta nel passaggio precedente e i loro valori reali contenuti nella variabiley_test. - Stampa le prime righe usando il metodo
.head().
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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.____)