รีวิวสินค้าด้วย regularization

ในแบบฝึกหัดนี้ จะได้ทำงานกับชุดข้อมูล reviews ซึ่งเป็นรีวิวสินค้าจาก Amazon อีกครั้ง เวกเตอร์ label y เก็บค่าความรู้สึก (sentiment) โดย 1 หมายถึงเชิงบวก และ 0 หมายถึงเชิงลบ ส่วนเมทริกซ์ X ประกอบด้วยฟีเจอร์ตัวเลขทั้งหมดที่สร้างขึ้นด้วยวิธี BOW

จะต้องฝึกโมเดล logistic regression สองโมเดลที่มีระดับ regularization ต่างกัน แล้วเปรียบเทียบประสิทธิภาพบนชุดข้อมูลทดสอบ ขอให้นึกถึงว่า regularization คือวิธีควบคุมความซับซ้อนของโมเดล โมเดลที่มี regularization สูงจะยืดหยุ่นน้อยกว่า แต่สามารถ generalize ได้ดีกว่า อย่างไรก็ตาม โมเดลที่มี regularization สูงมักมีค่าความแม่นยำต่ำกว่าโมเดลที่ไม่มี regularization

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Sentiment Analysis ด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

แบ่งข้อมูลออกเป็นชุดฝึก (train) และชุดทดสอบ (test)
ฝึก logistic regression โดยกำหนด regularization parameter เป็น 1000 และฝึกอีกโมเดลหนึ่งโดยกำหนด regularization parameter เป็น 0.001
แสดงค่าความแม่นยำของทั้งสองโมเดลบนชุดข้อมูลทดสอบ

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Split data into training and testing
____, ____, ____, ____ = train_test_split(____, ____, test_size=0.2, random_state=123)

# Train a logistic regression with regularization of 1000
log_reg1 = ____(____=1000).fit(X_train, y_train)
# Train a logistic regression with regularization of 0.001
log_reg2 = ____(____=0.001).fit(X_train, y_train)

# Print the accuracies
print('Accuracy of model 1: ', log_reg1.____(____, ____))
print('Accuracy of model 2: ', log_reg2.____(____, ____))

แก้ไขและรันโค้ด