@ -368,13 +368,13 @@ Area under ROC is 0.9304564479999999
### Пункт №11. Выводы по результатам применения рекуррентной нейронной сети.
### Пункт №11. Выводы по результатам применения рекуррентной нейронной сети.
**Выводы по лабораторной работе:**
**Выводы по лабораторной работе:**
```
```
Проведённый эксперимент показал, что обученная LSTM-модель эффективно
В ходе выполнения лабораторной работы была построена и обучена рекуррентная нейронная сеть на основе слоя LSTM для решения задачи определения тональности текстов из датасета IMDb. После предварительной обработки данных (приведение длины отзывов к фиксированному размеру и преобразование слов в числовые индексы) модель успешно обучилась классифицировать отзывы на положительные и отрицательные.
справляется с задачей определения тональности текстов. На тестовой
выборке модель продемонстрировала высокое значение accuracy, а метрики
По итогам эксперимента качество модели на тестовой выборке составило accuracy ≈ 0.86, что означает, что сеть правильно классифицировала около 86% отзывов. Анализ отчёта о качестве классификации (precision, recall, f1-score) показал, что модель обеспечивает близкие значения метрик для обоих классов.
precision, recall и f1-score подтвердили хорошее качество классификации
для обоих классов. ROC-кривая располагается существенно выше диагонали
ROC-кривая модели проходит значительно выше диагонали случайного классификатора, а значение AUC ROC ≈ 0.93 указывает на высокую способность модели различать положительные и отрицательные отзывы.
случайного классификатора, а AUC ROC близко к 1, что свидетельствует
о высокой степени разделимости классов. Таким образом, модель обладает
Таким образом, использование рекуррентной нейронной сети, основанной на LSTM, оказалось эффективным для анализа тональности текста. Модель успешно улавливает зависимости в последовательностях слов и демонстрирует высокое качество классификации. Данная архитектура подходит для практических задач анализа текста, таких как фильтрация отзывов, определение эмоциональной окраски сообщений или анализ пользовательских комментариев.
хорошей обобщающей способностью и подходит для анализа тональности отзывов.
