Aprimorando seu modelo

Sua tarefa neste exercício é testar alguns níveis diferentes de alfa usando os vetores Tfidf para determinar se há uma combinação com melhor desempenho.

Os conjuntos de treinamento e teste foram criados, e tfidf_vectorizer, tfidf_train e tfidf_test foram computados.

Este exercício faz parte do curso

Introdução ao processamento de linguagem natural em Python

Ver curso

Instruções do exercício

Crie uma lista de alfas para você experimentar usando np.arange(). Os valores devem variar de 0 a 1 com etapas de 0.1.
Crie uma função train_and_predict() que receba um argumento: alpha. A função deve:
- Instanciar um classificador MultinomialNB com alpha=alpha.
- Ajuste-o aos dados de treinamento.
- Calcule as previsões nos dados de teste.
- Calcule e retorne a pontuação de precisão.
Usando um loop for, imprima os endereços alpha, score e uma nova linha entre eles. Use sua função train_and_predict() para calcular o score. A pontuação muda junto com o alfa? Qual é o melhor alfa?

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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()

Editar e executar o código