Modelli di classificazione multiclasse

Reti Neurali Ricorrenti (RNN) per il Language Modeling con Keras

David Cecchini

Data Scientist

Revisione del modello di sentiment analysis

# Build and compile the model
model = Sequential()

model.add(Embedding(10000, 128))

model.add(LSTM(128, dropout=0.2))

model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

Architettura del modello

Si può riutilizzare la stessa architettura

# Build the model
model = Sequential()
model.add(Embedding(10000, 128))
model.add(LSTM(128, dropout=0.2))

# Output layer has `num_classes` units and uses `softmax`
model.add(Dense(num_classes, activation="softmax"))

# Compile the model
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
...

Dataset 20 Newsgroups

Disponibile in sklearn.datasets import fetch_20newsgroups

# Importa la funzione per caricare i dati
from sklearn.datasets import fetch_20newsgroups

# Scarica train e test set
news_train = fetch_20newsgroups(subset='train')

news_test = fetch_20newsgroups(subset='test')

Dataset 20 Newsgroups

I dati hanno questi attributi:

news_train.DESCR: Documentazione.
news_train.data: Testi.
news_train.filenames: Percorso dei file su disco.
news_train.target: Indice numerico delle classi.
news_train.target_names: Nomi unici delle classi.

Pre-elabora i testi

# Import modules
from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences
from tensorflow.keras.utils import to_categorical

# Crea e adatta il tokenizer
tokenizer = Tokenizer()
tokenizer.fit_on_texts(news_train.data)

# Crea le variabili (X, Y)
X_train = tokenizer.texts_to_sequences(news_train.data)
X_train = pad_sequences(X_train, maxlen=400)
Y_train = to_categorical(news_train.target)

Training sui dati

Allena il modello sui dati di training

# Train the model
model.fit(X_train, Y_train, 
          batch_size=64, epochs=100)

# Evaluate on test data
model.evaluate(X_test, Y_test)

Ayo berlatih!

Reti Neurali Ricorrenti (RNN) per il Language Modeling con Keras