評論情感分類
你已經算出嵌入向量，接下來要計算 cosine 距離並取出最相近的標籤。
你會定義一個名為 find_closest() 的函式，用來比較一個向量與多個向量之間的嵌入向量，並回傳最近的距離及其索引。然後你會迴圈遍歷所有評論，使用 find_closest() 找出每則評論最接近的距離，並用該索引取出分類後的標籤。
上一個練習建立的 class_embeddings 與 review_embeddings 物件都可供你使用，reviews 與 sentiments 也已備妥。
本練習屬於課程
Introduction to Embeddings with the OpenAI API
練習說明
- 定義名為
find_closest()的函式，回傳與query_vector最相似之嵌入向量的距離與索引。 - 使用
find_closest()找出每個評論的嵌入向量與class_embeddings之間最接近的距離。 - 使用
closest的'index'來子集sentiments，並取出'label'。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Define a function to return the minimum distance and its index
def find_closest(query_vector, embeddings):
distances = []
for index, embedding in enumerate(embeddings):
dist = distance.cosine(____, ____)
distances.append({"distance": dist, "index": index})
return ____(distances, key=lambda x: x["distance"])
for index, review in enumerate(reviews):
# Find the closest distance and its index using find_closest()
closest = ____(review_embeddings[____], ____)
# Subset sentiments using the index from closest
label = ____
print(f'"{review}" was classified as {label}')