Czy rzeczywiście dobrze przewidzieliśmy sentyment?

Analiza sentymentu w Pythonie

Violeta Misheva

Data Scientist

Podział na zbiór treningowy i testowy

łączna liczba obserwacji podzielona na zbiór treningowy i testowy, gdzie zbiór treningowy jest większy

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=123, stratify=y)

log_reg = LogisticRegression().fit(X_train, y_train)

print('Accuracy on training data: ', log_reg.score(X_train, y_train))

0.76

print('Accuracy on testing data: ', log_reg.score(X_test, y_test))

0.73

from sklearn.metrics import accuracy_score

log_reg = LogisticRegression().fit(X_train, y_train)

y_predicted = log_reg.predict(X_test)
print('Accuracy score on test data: ', accuracy_score(y_test, y_predicted))

0.73

przykład macierzy pomyłek dla binarnego problemu klasyfikacji

from sklearn.metrics import confusion_matrix

log_reg = LogisticRegression().fit(X_train, y_train)
y_predicted = log_reg.predict(X_test)

print(confusion_matrix(y_test, y_predicted)/len(y_test))

[[0.3788 0.1224]
 [0.1352 0.3636]]

Analiza sentymentu w Pythonie