Adım 3: Bir sınıflandırıcı oluşturma
Bu, duygu analizi tahmininin son adımı. Veri kümemizi duyguya ilişkin özelliklerle zenginleştirdik ve bundan sayısal vektörler oluşturduk.
Önceki adımlarda oluşturduğun veri kümesini kullanacaksın. Buna göre, incelemelerin uzunluğunu temsil eden bir özellik ve Tfidf vektörleyiciyle oluşturulmuş 200 özellik içeriyor.
Görevin, duygu durumunu tahmin etmek için bir lojistik regresyon eğitmek. Veriler senin için içe aktarıldı ve adı reviews_transformed. Hedef değişkenin adı score ve ikili: ürün yorumu olumluysa 1, aksi halde 0.
Bir lojistik regresyon modeli eğit ve performansını test verisi üzerinde değerlendir. Model ne kadar iyi iş çıkarıyor?
Gerekli tüm paketler senin için içe aktarıldı.
Bu egzersiz, kursun bir parçasıdır
Python ile Duygu Analizi
Egzersiz talimatları
- Eğitim/test ayrımını yap: verilerin %20’sini teste ayır ve rastgelelik tohumunu
456olarak ayarla. - Bir lojistik regresyon modeli eğit.
- Sınıf tahmini yap.
- Test kümesi için accuracy skorunu ve confusion matrix’i yazdır.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Define X and y
y = reviews_transformed.score
X = reviews_transformed.drop('score', axis=1)
# Train/test split
X_train, X_test, y_train, y_test = ____(____, ____, ____=0.2, ____=456)
# Train a logistic regression
log_reg = ____.____(____, ____)
# Predict the labels
y_predicted = log_reg.____(____)
# Print accuracy score and confusion matrix on test set
print('Accuracy on the test set: ', ____(____, ____))
print(____(____, ____)/len(y_test))