|
Bayes teoremasidan foydalanib, ijobiy yoki salbiy sinflarga mansub
|
| bet | 4/5 | | Sana | 24.12.2023 | | Hajmi | 0,6 Mb. | | #127865 |
Bog'liq 2 amaliy topshiriq Narzikulov Zafarbek7 Bayes teoremasidan foydalanib, ijobiy yoki salbiy sinflarga mansub
so‘zlarning ehtimolliklarini hisoblang.
jobiy_likelihoods = (frequency_table['Ijobiy (Positive) Frequency'] + 1) / (frequency_table['Ijobiy (Positive) Frequency'].sum() + len(features))
salbiy_likelihoods = (frequency_table['Salbiy (Negative) Frequency'] + 1) / (frequency_table['Salbiy (Negative) Frequency'].sum() + len(features))
jobiy_prior = y_train.mean()
salbiy_prior = 1 - jobiy_prior
total_word_likelihood = jobiy_likelihoods * jobiy_prior + salbiy_likelihoods * salbiy_prior
jobiy_posterior = (jobiy_likelihoods * jobiy_prior) / total_word_likelihood
salbiy_posterior = (salbiy_likelihoods * salbiy_prior) / total_word_likelihood
result_table = pd.DataFrame(data={'So'zlar': features, 'Ijobiy (Positive) Posterior': jobiy_posterior, 'Salbiy (Negative) Posterior': salbiy_posterior})
result_table.to_csv('result_table.csv', index=False)
8 Test to‘pamiga asoslanib, modelning tasniflash aniqligini baholang.
from sklearn.metrics import accuracy_score
X_test_bow = vectorizer.transform(X_test)
y_pred = classifier.predict(X_test_bow)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
kod test ma'lumotlarini BoW formatiga o'tkazadi va modelni ishlatib, bayolangan sinflar bilan taqqoslaydi. Natijalardan "accuracy_score" metrikasi orqali aniqlikni hisoblayadi va ekranga chiqaradi. Yani, modelning qanday darajada to'g'ri tasniflashni ko'rsatdiğini aytib chiqaradi.
Qo‘shimcha savollar:
Ijobiy izohlarda qaysi so‘zlar yoki iboralar ko‘proq uchraydi? Salbiy izohlardachi?
Ijobiy izohlarda ko‘proq o‘zgarish, rivojlanish, muvaffaqiyat, aniqlik, samarali, eng muhim, ilmiy, salohiyatli, o‘zlashtirish, o‘zaro xamkorlik, qobiliyat, yangiliklar, tajribali, fanlararo yutuqlar, ilmiy jiddiylik, hamkorlik, bilimdonlik, o‘zaro fikr almashish, tajriba, malakali, ilmiy natijalar, kreativlik, yaratqichlik, muhiti rivojlantirish, mustaqil, qat’iy inobat qaratish so‘zlari va iboralari ko‘proq paydo bo‘ladi.
Salbiy izohlarda esa ko‘prik, noqulayliklar, buzilish, noaniq, qiyinlik, qavs, qasos, ma’lumot yo‘qotish, ziddiyat, yo‘qotishlar, bekor qilish, yomon natijalar, manfiy o‘zgarishlar, salbiy samarali, chetlab qo‘llanish, muammona, yovuzlik, anqib qo‘llash, yo‘qotishlar, yengilliklar, qandaydir mohiyatli, kichiklik, yaxshi emasligi, nozik nuqtalar, behuda, hikmatli, yo‘qolishi, sog‘lom emasligi va boshqalar kabi so‘zlar va iboralar ko‘proq paydo bo‘ladi.
Tasniflashda chalkashlik keltirib chiqaradigan so‘zlar bormi?
Tasniflashda chalkashlik keltirib chiqaradigan so‘zlar mavjud bo‘lishi mumkin. Bu tur so‘zlar tasniflashni etkisini kamaytirishi va natijalarni aniqroqroq qilishi mumkin. Chalkashlikni ifodalovchi so‘zlar salbiy, negativ, yomon, qattiq, kamaytiradigan, o‘zgarmaydigan, muammoli, behuda, ta'sir etmaydigan, o‘zgartirish kerak, muvaffaqiyatsiz, nozik, yo‘qotishlar, yengilliklar, boshqa metodlar muqobil so‘zlar ham bo‘lishi mumkin.
Bunday so‘zlar tasniflash tizimida tahlil va tavsiflarni kuchaytirishi uchun ishlatiladi va ularning qo‘llanishini kamaytirish, izohlarni boshqarish yoki materialni ta'qib qilishda ishlatilmaganliklarini ko‘rsatish maqsadida foydalaniladi.
Modelning ishlash samaradorligini qanday yaxshilash mumkin?
Modelning ishlash samaradorligini yaxshilash uchun quyidagi chiziqlik va ko‘nikmalarga e’tibor berishimiz kerak bo’ladi:
|
| |
