Kom igångKom igång gratis

Sentimentanalys

I videoövningen fick du en överblick över olika tillämpningar av sekvens-till-sekvens-modeller. I den här övningen får du se hur man använder en förtränad modell för sentimentanalys.

Modellen är förinstallerad i miljön i variabeln model. Dessutom finns de tokeniserade testvariablerna X_test och y_test samt den förbehandlade originaltextdatan sentences från IMDb tillgängliga. Du kommer att lära dig hur man förbehandlar textdata och hur man skapar och tränar modellen med Keras senare i kursen.

Du ska använda den förtränade modellen för att göra sentimentprediktioner. Modellen returnerar ett tal mellan noll och ett, som representerar sannolikheten att meningen har ett positivt sentiment. Du skapar sedan en beslutsregel för att klassificera prediktionen som positiv eller negativ.

Den här övningen är en del av kursen

Återkommande neurala nätverk (RNN) för språkmodellering med Keras

Visa kurs

Övningsinstruktioner

  • Använd metoden .predict() för att göra prediktioner på testdatan.
  • Sätt prediktionen till "positive" om dess värde är större än 0.5, annars till "negative", och lagra resultatet i variabeln pred_sentiment.
  • Skapa en pd.DataFrame som innehåller den förbehandlade texten, prediktionen från föregående steg och de sanna värdena i variabeln y_test.
  • Skriv ut de första raderna med metoden .head().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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.____)
Redigera och kör kod