N-gram av högre ordning för sentimentanalys

Precis som i en tidigare övning ska du bygga en klassificerare som avgör om en filmrecension är positiv eller negativ. Den här gången använder vi dock n-gram upp till n=2 för uppgiften.

N-gram-träningsrecensionerna finns tillgängliga som X_train_ng. Motsvarande testrecensioner finns som X_test_ng. Använd y_train och y_test för att komma åt tränings- respektive testklasserna för sentiment.

Den här övningen är en del av kursen

Funktionsutveckling för NLP i Python

Visa kurs

Övningsinstruktioner

Skapa en instans av MultinomialNB och döp den till clf_ng.
Träna klassificeraren på X_train_ng och y_train.
Mät accuracy på X_test_ng och y_test med metoden score().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Define an instance of MultinomialNB 
clf_ng = ____

# Fit the classifier 
clf_ng.____(____, ____)

# Measure the accuracy 
accuracy = ____
print("The accuracy of the classifier on the test set is %.3f" % accuracy)

# Predict the sentiment of a negative review
review = "The movie was not good. The plot had several holes and the acting lacked panache."
prediction = clf_ng.predict(ng_vectorizer.transform([review]))[0]
print("The sentiment predicted by the classifier is %i" % (prediction))

Redigera och kör kod