N-Gram อันดับสูงสำหรับการวิเคราะห์ความรู้สึก

คล้ายกับแบบฝึกหัดก่อนหน้า เราจะสร้างตัวจำแนกที่ตรวจสอบได้ว่ารีวิวภาพยนตร์นั้นเป็นเชิงบวกหรือเชิงลบ แต่คราวนี้จะใช้ n-gram ที่มีค่า n สูงสุดถึง 2 สำหรับงานนี้

ข้อมูลรีวิวสำหรับเทรนในรูปแบบ n-gram พร้อมใช้งานในตัวแปร X_train_ng และข้อมูลรีวิวสำหรับทดสอบพร้อมใช้งานใน X_test_ng ส่วน y_train และ y_test ใช้สำหรับเข้าถึงคลาสความรู้สึกของชุดเทรนและชุดทดสอบตามลำดับ

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Feature Engineering for NLP in Python

ดูคอร์ส

คำแนะนำการฝึกหัด

สร้าง instance ของ MultinomialNB และตั้งชื่อว่า clf_ng
ฝึกตัวจำแนกด้วย X_train_ng และ y_train
วัดค่า accuracy บน X_test_ng และ y_test โดยใช้เมธอด score()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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))

แก้ไขและรันโค้ด