Klassificera recensionssentiment

Nu när du har beräknat inbäddningarna är det dags att räkna ut cosinusavstånden och hitta den närmaste etiketten.

Du gör detta genom att definiera en funktion kallad find_closest(), som jämför inbäddningarna mellan en vektor och flera andra och returnerar det kortaste avståndet samt dess index. Sedan loopar du över recensionerna och använder find_closest() för att hitta det närmaste avståndet för varje recension, och extraherar den klassificerade etiketten via indexet.

Objekten class_embeddings och review_embeddings som du skapade i föregående övning finns tillgängliga, liksom reviews och sentiments.

Den här övningen är en del av kursen

Introduktion till inbäddningar med OpenAI API

Visa kurs

Övningsinstruktioner

Definiera en funktion kallad find_closest() som returnerar avståndet och indexet för den inbäddning som liknar query_vector mest.
Använd find_closest() för att hitta det närmaste avståndet mellan varje recensions inbäddningar och class_embeddings.
Använd 'index' från closest för att indexera sentiments och extrahera 'label'.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Define a function to return the minimum distance and its index
def find_closest(query_vector, embeddings):
  distances = []
  for index, embedding in enumerate(embeddings):
    dist = distance.cosine(____, ____)
    distances.append({"distance": dist, "index": index})
  return ____(distances, key=lambda x: x["distance"])

for index, review in enumerate(reviews):
  # Find the closest distance and its index using find_closest()
  closest = ____(review_embeddings[____], ____)
  # Subset sentiments using the index from closest
  label = ____
  print(f'"{review}" was classified as {label}')

Redigera och kör kod