Aprimorando seu modelo

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

Os conjuntos de treino e teste já foram criados, e tfidf_vectorizer, tfidf_train e tfidf_test já foram calculados.

Este exercício faz parte do curso

Introdução ao Processamento de Linguagem Natural em Python

Ver curso

Instruções do exercício

Crie uma lista de valores de alpha para testar usando np.arange(). Os valores devem variar de 0 a 1 em passos de 0.1.
Crie uma função train_and_predict() que recebe um argumento: alpha. A função deve:
- Instanciar um classificador MultinomialNB com alpha=alpha.
- Ajustá-lo aos dados de treino.
- Calcular as previsões nos dados de teste.
- Calcular e retornar o score de acurácia.
Usando um loop for, imprima o alpha, o score e uma linha em branco entre eles. Use sua função train_and_predict() para calcular o score. O score muda junto com o alpha? Qual é o melhor alpha?

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