Аналіз сентименту
У відео Ви ознайомилися з різними застосуваннями моделей типу sequence-to-sequence. У цій вправі ви побачите, як використати попередньо натреновану модель для аналізу сентименту.
Модель завантажено в середовище в змінну model. Також доступні токенізовані змінні тестового набору X_test і y_test та попередньо оброблені вихідні текстові дані sentences з IMDb. Пізніше в курсі ви дізнаєтеся, як попередньо обробляти текстові дані та як створювати й тренувати модель за допомогою Keras.
Ви використаєте попередньо натреновану модель, щоб отримати передбачення сентименту. Модель повертає число між нулем і одиницею, що означає ймовірність того, що речення має позитивний настрій. Тож ви створите правило прийняття рішення, щоб позначити передбачення як позитивне або негативне.
Ця вправа є частиною курсу
Recurrent Neural Networks (RNNs) для моделювання мови з Keras
Інструкції до вправи
- Скористайтеся методом
.predict(), щоб зробити передбачення на тестових даних. - Встановіть передбачення рівним
"positive", якщо його значення більше за0.5, і"negative"— інакше, та збережіть результат у зміннійpred_sentiment. - Створіть
pd.DataFrame, що містить попередньо оброблений текст, передбачення з попереднього кроку та їхні справжні значення зі змінноїy_test. - Виведіть перші рядки за допомогою методу
.head().
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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.____)