Kom igångKom igång gratis

Klassificering av nyhetsartiklar

I den här övningen skapar du en modell för flerklassklassificering.

Datamängden är redan inläst i miljön som news_novel. All förbehandling av träningsdata är redan klar och tokenizer finns också tillgänglig i miljön.

En RNN-modell har förtränade med följande arkitektur: ett Embedding-lager, ett LSTM-lager och ett Dense-utdatalager som förväntar sig tre klasser: sci.space, alt.atheism och soc.religion.christian. Vikterna för den tränade modellen finns i filen classify_news_weights.h5.

Du ska förbehandla de nya data och utvärdera modellen på den nya datamängden news_novel.

Den här övningen är en del av kursen

Återkommande neurala nätverk (RNN) för språkmodellering med Keras

Visa kurs

Övningsinstruktioner

  • Transformera data i news_novel.data med hjälp av den inlästa tokenizer.
  • Padda de erhållna sekvenserna av numeriska index.
  • Transformera etiketterna i news_novel.target till en one-hot-representation.
  • Utvärdera modellen med metoden .evaluate() och skriv ut den förlust och noggrannhet som erhålls.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Change text for numerical ids and pad
X_novel = tokenizer.texts_to_sequences(____)
X_novel = pad_sequences(____, maxlen=400)

# One-hot encode the labels
Y_novel = to_categorical(____)

# Load the model pre-trained weights
model.load_weights('classify_news_weights.h5')

# Evaluate the model on the new dataset
loss, acc = model.____(X_novel, Y_novel, batch_size=64)

# Print the loss and accuracy obtained
print("Loss:\t{0}\nAccuracy:\t{1}".format(____, ____))
Redigera och kör kod