Teil 5: Vorhersage

Hier werden wir ein Standard-Kochrezept nachbauen (siehe http://scikit-learn.org/stable/tutorial/text_analytics/working_with_text_data.html).

Aufgabe 5.1

Erstelle ein neues Modul vorhersage.py.

Importiere die Funktion zum Einlesen aus dem Modul songs_einlesen.py ein:

from songs_einlesen import songtexte_auslesen

Aufgabe 5.2

Bereite die Daten zur Vorhersage vor, indem Du in X die Liste mit Songtexten sammelst, in y die Namen der Interpreten. Zum Beispiel:

X = madonna + eminem
y = ['madonna'] * len(madonna) + ['eminem'] * len(eminem)

Stelle sicher, daß X und y gleich lang sind.

Aufgabe 5.3

Importiere ein paar Sachen aus scikit-learn:

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.naive_bayes import MultinomialNB
from sklearn.pipeline import Pipeline
from sklearn import model_selection

Aufgabe 5.4

Zerlege den Datensatz in Trainings- und Testdaten. Setze für ANTEIL_TESTDATEN eine Zahl zwischen 0 und 1 ein:

Xtrain, Xtest, ytrain, ytest = \ model_selection.train_test_split(X, y, test_size=ANTEIL_TESTDATEN)

Aufgabe 5.5

Baue das Modell:

model = Pipeline([
    ('vectorizer', CountVectorizer(min_df=3, ngram_range=(1, 1))),
    ('tfidf_transformer', TfidfTransformer()),
    ('bayes_model', MultinomialNB(alpha=1.0)),
])
model.fit(Xtrain, ytrain)

Aufgabe 5.6

Gib die Anzahl vektorisierter Wörter aus:

vect = model.named_steps['vectorizer']
print(len(vect.vocabulary_))

Aufgabe 5.7

Werte das Modell aus:

print("Genauigkeit: ", model.score(Xtest, ytest))

Werte das Modell auch für den Testdatensatz aus. Wie bewertest Du das Ergebnis?

Aufgabe 5.8

Verändere den Parameter alpha. Wie verändert sich die Vorhersage?

Aufgabe 5.9

Führe eine 10-fache Kreuzvalidierung durch:

print(model_selection.cross_val_score(model, X, y, 
cv=10, scoring='accuracy'))

Aufgabe 5.10

Führe eine Vorhersage durch:

model.predict(["take the 8mile road in detroit"])

Aufgabe 5.11

Gib typische Wörter für die verglichenen Künstler aus:

import numpy as np
names = np.array(model.named_steps['vectorizer'].get_feature_names())

coef = model.named_steps['bayes_model'].coef_
coef = coef.reshape((len(names),))

# Top-Wörter für 1. Interpreten
indices = (-coef).argsort()[:20].tolist()
print(names[indices])

# Top-Wörter für 2. Interpreten
indices = (coef).argsort()[:20].tolist()
print(names[indices])

Aufgabe 5.11

Probiere unterschiedliche Optionen aus:

• variiere den Anteil der Testdaten
• variiere min_df beim CountVectorizer
• gib beim CountVectorizer die Option stop_words='english'
• variiere ngram_range beim CountVectorizer