步骤 3：构建分类器
这是情感分析预测的最后一步。我们已经基于情感相关特征对数据集进行了探索与增强，并将其转换为数值向量。
您将使用前面步骤中构建的数据集。具体来说，它包含一个评论长度特征，以及由 Tfidf 向量器创建的 200 个特征。
您的任务是训练一个逻辑回归模型来预测情感。数据已为您导入，名称为 reviews_transformed。目标变量名为 score，是二元的：当产品评论为正面时为 1，否则为 0。
请训练一个逻辑回归模型，并在测试数据上评估其性能。模型效果如何？
所有所需的包都已为您导入。
本练习是课程的一部分
Python 中的情感分析
练习说明
- 进行训练/测试集划分，将 20% 的数据用于测试，并将随机种子设为
456。 - 训练一个逻辑回归模型。
- 进行类别预测。
- 打印测试集上的准确率和混淆矩阵。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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))