Modèles de classification multiclasse

Réseaux de neurones récurrents (RNN) pour la modélisation du langage avec Keras

David Cecchini

Data Scientist

Rappel : modèle de classification des sentiments

# 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'])

Architecture du modèle

Même architecture réutilisable

# 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'])
...

Ensemble 20 News Group

Ensemble de données 20 News Groups

Offert dans sklearn.datasets import fetch_20newsgroups

# Import the function to load the data
from sklearn.datasets import fetch_20newsgroups

# Download train and test sets
news_train = fetch_20newsgroups(subset='train')

news_test = fetch_20newsgroups(subset='test')

Ensemble 20 News Group

Les données ont les attributs suivants :

news_train.DESCR : documentation.
news_train.data : texte.
news_train.filenames : chemin des fichiers sur disque.
news_train.target : indice numérique des classes.
news_train.target_names : noms uniques des classes.

Prétraiter le texte

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

# Create and fit the tokenizer
tokenizer = Tokenizer()
tokenizer.fit_on_texts(news_train.data)

# Create the (X, Y) variables
X_train = tokenizer.texts_to_sequences(news_train.data)
X_train = pad_sequences(X_train, maxlen=400)
Y_train = to_categorical(news_train.target)

Entraînement sur les données

Entraîner le modèle sur l'ensemble d'entraînement

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

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

Passons à la pratique !

Réseaux de neurones récurrents (RNN) pour la modélisation du langage avec Keras