Анализ тональности
В видеоуроке вы познакомились с различными применениями моделей типа «последовательность в последовательность». В этом упражнении вы увидите, как использовать предобученную модель для анализа тональности текста.
Модель заранее загружена в окружение и доступна через переменную model. Также доступны токенизированные переменные тестовой выборки X_test и y_test, а также предобработанные исходные тексты sentences из набора данных IMDb. Как предобрабатывать текстовые данные, а также как создавать и обучать модель с помощью Keras — вы узнаете позже в курсе.
Вы воспользуетесь предобученной моделью, чтобы получить предсказания тональности. Модель возвращает число от нуля до единицы, которое отражает вероятность того, что тональность предложения положительная. Затем вы зададите правило принятия решения, чтобы классифицировать каждое предсказание как положительное или отрицательное.
Это упражнение является частью курса
Рекуррентные нейронные сети (RNN) для языкового моделирования с Keras
Инструкции к упражнению
- Используйте метод
.predict(), чтобы получить предсказания на тестовых данных. - Присвойте предсказанию значение
"positive", если оно больше0.5, и"negative"в противном случае; сохраните результат в переменнуюpred_sentiment. - Создайте
pd.DataFrame, содержащий предобработанные тексты, предсказания из предыдущего шага и истинные значения из переменнойy_test. - Выведите первые строки с помощью метода
.head().
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Inspect the first sentence on `X_test`
print(X_test[0])
# Get the predicion for all the sentences
pred = model.predict(____)
# Transform the predition into positive (> 0.5) or negative (<= 0.5)
pred_sentiment = ["positive" if x>____ else "negative" for x in pred]
# Create a data frame with sentences, predictions and true values
result = pd.DataFrame({'sentence': sentences, 'y_pred': ____, 'y_true': y_test})
# Print the first lines of the data frame
print(result.____)