เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การวิเคราะห์ความรู้สึก

ในวิดีโอก่อนหน้า คุณได้เห็นภาพรวมของการประยุกต์ใช้โมเดล sequence to sequence หลากหลายรูปแบบ ในแบบฝึกหัดนี้ จะได้เรียนรู้วิธีใช้โมเดลที่ผ่านการฝึกมาแล้ว (pre-trained model) สำหรับการวิเคราะห์ความรู้สึก (sentiment analysis)

โมเดลถูกโหลดไว้ในสภาพแวดล้อมแล้วที่ตัวแปร model นอกจากนี้ยังมีตัวแปรชุดทดสอบที่ผ่านการ tokenize แล้วอย่าง X_test และ y_test รวมถึงข้อมูลข้อความต้นฉบับที่ผ่านการประมวลผลแล้ว sentences จาก IMDb พร้อมใช้งาน คุณจะได้เรียนรู้วิธีประมวลผลข้อมูลข้อความและวิธีสร้างรวมถึงฝึกโมเดลด้วย Keras ในบทต่อๆ ไป

ในแบบฝึกหัดนี้ จะใช้ pre-trained model เพื่อทำนายความรู้สึก โมเดลจะคืนค่าตัวเลขระหว่างศูนย์ถึงหนึ่ง ซึ่งแทนความน่าจะเป็นที่ประโยคนั้นจะมีความรู้สึกเชิงบวก จากนั้นจะกำหนดกฎการตัดสินใจเพื่อจัดประเภทผลการทำนายเป็นเชิงบวกหรือเชิงลบ

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Recurrent Neural Networks (RNNs) สำหรับ Language Modeling ด้วย Keras

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ใช้เมธอด .predict() เพื่อทำนายผลบนข้อมูลทดสอบ
  • กำหนดให้ผลการทำนายเป็น "positive" หากค่ามากกว่า 0.5 และเป็น "negative" ในกรณีอื่น แล้วเก็บผลลัพธ์ไว้ในตัวแปร pred_sentiment
  • สร้าง pd.DataFrame ที่ประกอบด้วยข้อความที่ผ่านการประมวลผลแล้ว ผลการทำนายที่ได้จากขั้นตอนก่อนหน้า และค่าจริงที่อยู่ในตัวแปร y_test
  • แสดงแถวแรกๆ โดยใช้เมธอด .head()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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.____)
แก้ไขและรันโค้ด