Wyjaśnianie predykcji analizy sentymentu
Masz do dyspozycji model model, który klasyfikuje recenzje produktów jako wyrażające pozytywny lub negatywny sentyment. Twoim zadaniem jest użycie LIME do wskazania, które słowa w danej instancji text_instance mają największy wpływ na predykcje modelu.
Funkcja model_predict służąca do przetwarzania tekstów wejściowych jest już wczytana.
To ćwiczenie jest częścią kursu
Wyjaśnialne AI w Pythonie
Instrukcje do ćwiczenia
- Utwórz wyjaśniacz tekstu LIME o nazwie
explainer. - Wygeneruj wyjaśnienie predykcji modelu dla podanej instancji
text_instance, uwzględniając pięć najważniejszych cech. - Wyświetl słowa o największym wpływie na decyzję modelu wraz z ich wagami.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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 = explainer.____(____, model_predict, num_features=____)
# Display the explanation
exp.____()
plt.show()