在你的資料上檢視模型效能

在這個練習中，你會練習如何在你的資料上評估現有模型。這裡的目標是檢視模型在特定實體標籤 PRODUCT 上的效能。如果模型能夠正確分類高比例的 PRODUCT 實體（例如超過 75%），你就不需要再用 PRODUCT 的範例來訓練模型；否則，你應該考慮進行訓練，以提升模型對 PRODUCT 實體預測的表現。

本題會使用 Amazon Fine Food Reviews 資料集中的兩則評論。你可以透過 texts 清單來存取這些評論。

en_core_web_sm 模型已為你載入，可用 nlp() 呼叫。模型也已經對 texts 清單執行過，並提供了 documents（一個由 Doc 容器組成的清單）供你使用。

本練習屬於課程

使用 spaCy 的自然語言處理

檢視課程

練習說明

建立一個 target_entities 清單，對每個 documents 中的實體進行彙整，只有在實體文字中包含 Jumbo 時，才加入一個（實體文字、實體標籤）的 tuple。
對於 target_entities 中的每個 tuple，若實體標籤（該 tuple 的第二個元素）為 PRODUCT，就在 correct_labels 清單中加入 True，否則加入 False。

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。

# Append a tuple of (entities text, entities label) if Jumbo is in the entity
target_entities = []
for doc in ____:
  target_entities.extend([(ent.____, ent.____) for ent in doc.____ if "Jumbo" in ent.text])
print(target_entities)

# Append True to the correct_labels list if the entity label is `PRODUCT`
correct_labels = []
for ent in target_entities:
  if ____[1] == "PRODUCT":
    correct_labels.append(____)
  else:
    correct_labels.append(____)
print(correct_labels)

編輯並執行程式碼