Введение
Анализ настроений: процесс компьютерного выявления и классификации мнений, выраженных в фрагменте текста, особенно для того, чтобы
определить, является ли отношение автора к определенной теме, продукту и т. д. положительным, отрицательным или нейтральным.
Предположим, у вас есть коллекция сообщений электронной почты от пользователей вашего продукта или услуги. У вас нет времени читать каждое сообщение,
поэтому вы хотите программно определить, является ли тон каждого сообщения положительным ("отличный сервис") или отрицательным ("вы, ребята, ужасны").
Это пример анализа настроений. В этой статье я покажу вам, как начать анализ настроений с помощью библиотеки кода Keras.
Требования
Для запуска глубокого обучения мы можем использовать совместную лабораторию Google с использованием Python, они предоставляют оперативную память и дисковое пространство для решения основных задач.
Подготовка набора данных
Наборы данных, которые можно загрузить из этого Sentiment.csv. Удалите ненужные столбцы, я использую столбцы текст, настроение в качестве наборов данных.
Требуемые библиотеки
Токенизировать
использование Tokenizer для векторизации и преобразования текста в последовательности, чтобы сеть могла обрабатывать его как входные данные.
Построить модель LSTM
Долговременная кратковременная память — это архитектура искусственной рекуррентной нейронной сети, используемая в области глубокого обучения.
В отличие от стандартных нейронных сетей с прямой связью, LSTM имеет связи с обратной связью.
Он никогда не хранит все данные, как стандартная рекуррентная нейронная сеть, lstm хранит данные в кратковременной памяти.
Модель поезда
Чтобы обучить модель, необходимо использовать эпохи, размер партии для обучения модели.
эпохи — это итерации.
batch_size — это размер данных для каждой итерации.
Вывод
keras с Python — лучший способ реализовать концепции глубокого
обучения. Я следил за блогами и наборами данных kaggle.
