Uitleggen van sentimentanalyse-voorspellingen
Je krijgt een model dat productreviews classificeert als positief of negatief. Jouw taak is om met LIME te bepalen welke woorden in een gegeven text_instance de voorspellingen van het model het meest beïnvloeden.
De functie model_predict voor het verwerken van invoerteksten is al voor je geladen.
Deze oefening maakt deel uit van de cursus
Explainable AI in Python
Oefeninstructies
- Maak een LIME-tekstuitlegger met de naam
explainer. - Genereer een verklaring voor de voorspelling van het model op de gegeven
text_instancemet de top vijf features. - Toon de belangrijkste bijdragende woorden en hun gewichten die de beslissing van het model beïnvloeden.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
from lime.lime_text import LimeTextExplainer
text_instance = "Amazing battery life and the camera quality is perfect! I highly recommend this smartphone."
# Create a LIME text explainer
explainer = ____
# Generate the explanation
exp = ____
# Display the explanation
____
plt.show()