리뷰 감성 분류하기

이제 임베딩을 계산했으니, 코사인 거리를 구하고 가장 유사한 레이블을 추출해 볼 차례예요.

이를 위해 하나의 벡터를 여러 벡터와 비교해 가장 가까운 거리와 그 인덱스를 반환하는 find_closest() 함수를 정의할 거예요. 그런 다음 리뷰를 반복하며 각 리뷰에 대해 find_closest()로 가장 가까운 거리를 찾고, 해당 인덱스를 사용해 분류된 레이블을 추출합니다.

이전 연습 문제에서 만든 class_embeddings와 review_embeddings 객체가 준비되어 있으며, reviews와 sentiments도 함께 사용할 수 있어요.

이 연습은 강의의 일부입니다

OpenAI API로 시작하는 임베딩 Introduction

강의 보기

연습 안내

find_closest() 함수를 정의해 query_vector와 가장 유사한 임베딩의 거리와 인덱스를 반환하세요.
각 리뷰의 임베딩과 class_embeddings 간의 가장 가까운 거리를 find_closest()로 찾으세요.
closest의 'index'를 사용해 sentiments를 부분 선택하고 'label'을 추출하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# 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}')

코드 편집 및 실행