Compararea performanței modelelor n-gram
Acum știi cum să realizezi analiza sentimentelor convertind textul în diverse reprezentări n-gram și transmițând aceste reprezentări unui clasificator. În acest exercițiu, vom efectua analiza sentimentelor pentru aceleași recenzii de film ca înainte, folosind două modele n-gram: unigrame și n-grame cu n până la 3.
Vom compara apoi performanța folosind trei criterii: acuratețea modelului pe setul de testare, timpul necesar pentru execuția programului și numărul de caracteristici generate la crearea reprezentării n-gram.
Acest exercițiu face parte din cursul
Ingineria caracteristicilor pentru NLP în Python
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
start_time = time.time()
# Splitting the data into training and test sets
train_X, test_X, train_y, test_y = train_test_split(df['review'], df['sentiment'], test_size=0.5, random_state=42, stratify=df['sentiment'])
# Generating ngrams
vectorizer = ___
train_X = vectorizer.fit_transform(train_X)
test_X = vectorizer.transform(test_X)
# Fit classifier
clf = MultinomialNB()
clf.fit(train_X, train_y)
# Print accuracy, time and number of dimensions
print("The program took %.3f seconds to complete. The accuracy on the test set is %.2f. The ngram representation had %i features." % (time.time() - start_time, clf.score(test_X, test_y), train_X.shape[1]))