レビューの感情分類
埋め込みの計算が完了したので、次はコサイン距離を求めて最も近いラベルを抽出しましょう。
ここでは、find_closest() という関数を定義します。この関数は、1つのベクトルと複数のベクトルの埋め込みを比較し、最も小さい距離とそのインデックスを返します。その後、各レビューに対してループを適用し、find_closest() を使って最も小さい距離を見つけ、そのインデックスから分類ラベルを取得します。
前の演習で作成した class_embeddings と review_embeddings、および reviews と sentiments がすでに利用可能な状態になっています。
この演習はコースの一部です
OpenAI API で学ぶ埋め込み入門
演習の手順
query_vectorに最も近い埋め込みの距離とインデックスを返すfind_closest()関数を定義してください。find_closest()を使って、各レビューの埋め込みとclass_embeddingsの間で最も小さい距離を求めてください。closestの'index'を使ってsentimentsを絞り込み、'label'を抽出してください。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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}')