Je model verbeteren

In deze oefening ga je een paar verschillende alpha-niveaus testen met de Tfidf-vectoren om te bepalen of er een beter presterende combinatie is.

De train- en testsets zijn al aangemaakt en tfidf_vectorizer, tfidf_train en tfidf_test zijn berekend.

Deze oefening maakt deel uit van de cursus

Introductie tot Natural Language Processing in Python

Cursus bekijken

Oefeninstructies

Maak een lijst met alphas om te proberen met np.arange(). Waarden moeten lopen van 0 tot 1 in stappen van 0.1.
Maak een functie train_and_predict() die één argument aanneemt: alpha. De functie moet:
- Een MultinomialNB-classifier initialiseren met alpha=alpha.
- Deze fitten op de trainingsdata.
- Voorspellingen maken op de testdata.
- De accuracyscore berekenen en retourneren.
Gebruik een for-lus om de alpha, de score en een newline ertussen af te drukken. Gebruik je functie train_and_predict() om de score te berekenen. Verandert de score mee met de alpha? Wat is de beste alpha?

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Create the list of alphas: alphas
alphas = ____

# Define train_and_predict()
def ____(____):
    # Instantiate the classifier: nb_classifier
    nb_classifier = ____
    # Fit to the training data
    ____
    # Predict the labels: pred
    pred = ____
    # Compute accuracy: score
    score = ____
    return score

# Iterate over the alphas and print the corresponding score
for alpha in alphas:
    print('Alpha: ', alpha)
    print('Score: ', ____)
    print()

Code bewerken en uitvoeren