Regularyzacja modeli na danych z Twittera
Będziesz pracować z danymi z Twittera, które wyrażają opinie klientów na temat linii lotniczych. Macierz cech X oraz wektor etykiet y zostały już dla ciebie przygotowane. Podział na zbiór treningowy i testowy również został wykonany – możesz od razu korzystać z tablic X_train, X_test, y_train i y_test.
Wytrenuj modele z regularyzacją i bez niej, a następnie oceń ich działanie przy użyciu różnych metryk.
Wszystkie niezbędne pakiety zostały już zaimportowane.
To ćwiczenie jest częścią kursu
Analiza sentymentu w Pythonie
Instrukcje do ćwiczenia
- Wytrenuj dwie regresje logistyczne: jedną z parametrem regularyzacji równym 100, a drugą z wartością 0,1.
- Wyświetl dokładność obu modeli.
- Wyświetl macierz pomyłek dla każdego z modeli.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Build a logistic regression with regularizarion parameter of 100
log_reg1 = ____.____
# Build a logistic regression with regularizarion parameter of 0.1
log_reg2 = ____.____
# Predict the labels for each model
y_predict1 = log_reg1.predict(X_test)
y_predict2 = log_reg2.predict(X_test)
# Print performance metrics for each model
print('Accuracy of model 1: ', ____(____, ____))
print('Accuracy of model 2: ', ____(___, ____))
print('Confusion matrix of model 1: \n' , ____(____, ____)/len(y_test))
print('Confusion matrix of model 2: \n', ____(____, ____)/len(y_test))