Wydajność modelu na twoich danych

W tym ćwiczeniu przećwiczysz ocenę istniejącego modelu na własnych danych. Celem jest zbadanie wydajności modelu dla konkretnej etykiety encji – PRODUCT. Jeśli model poprawnie klasyfikuje dużą część encji PRODUCT (np. ponad 75%), nie musisz go doszkalać na przykładach PRODUCT. W przeciwnym razie warto rozważyć trenowanie modelu, aby poprawić jego skuteczność w przewidywaniu encji PRODUCT.

W tym ćwiczeniu skorzystasz z dwóch recenzji z zestawu danych Amazon Fine Food Reviews. Dostęp do tych recenzji masz przez listę texts.

Model en_core_web_sm jest już dla ciebie załadowany – możesz wywołać go za pomocą nlp(). Model został już uruchomiony na liście texts, a documents – lista kontenerów Doc – jest dostępna do użycia.

To ćwiczenie jest częścią kursu

Przetwarzanie języka naturalnego z użyciem spaCy

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz listę target_entities zawierającą wszystkie encje z każdego dokumentu w documents i dodaj krotkę (tekst encji, etykieta encji) tylko wtedy, gdy w tekście encji pojawia się Jumbo.
Dla każdej krotki w target_entities dodaj True do listy correct_labels, jeśli etykieta encji (drugi element krotki) to PRODUCT; w przeciwnym razie dodaj False.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Append a tuple of (entities text, entities label) if Jumbo is in the entity
target_entities = []
for doc in ____:
  target_entities.extend([(ent.____, ent.____) for ent in doc.____ if "Jumbo" in ent.text])
print(target_entities)

# Append True to the correct_labels list if the entity label is `PRODUCT`
correct_labels = []
for ent in target_entities:
  if ____[1] == "PRODUCT":
    correct_labels.append(____)
  else:
    correct_labels.append(____)
print(correct_labels)

Edytuj i uruchom kod