lec_13 and exams

labs/OATD_LR2.md

@@ -11,18 +11,19 @@
 2.	Импортировать необходимые для работы библиотеки и модули
 3.	Загрузить обучающую и экзаменационную выборку в соответствие с вариантом
 4.	Вывести на экран по одному-два документа каждого класса.
-5.	Применить стемминг, записав обработанные выборки (тестовую и обучающую) в новые переменные
-6.	Провести векторизацию выборки:
+5.	Провести векторизацию выборки:
 
     A.	Векторизовать обучающую и тестовую выборки простым подсчетом слов (CountVectorizer)
 
     B.	Вывести и проанализировать первые 20 наиболее частотных слов всей выборки и каждого класса по-отдельности.
 
     C.	Применить процедуру отсечения стоп-слов и повторить пункт B.
-    
-	D.	Провести пункт A для обучающей и тестовой выборки, для которой выполнен стемминг.
 	
-7. Рассчитать сходство по коэффициенту Жаккара между тремя классами для исходых выборок и для выборок после отсечения стоп-слов. При подсчете использовать все слова выборки.
+	D.	Применить стемминг, записав обработанные выборки (тестовую и обучающую) в новые переменные
+    
+	E.	Провести пункт A для обучающей и тестовой выборки, для которой выполнен стемминг.
+	
+6. Рассчитать сходство по коэффициенту Жаккара между тремя классами для исходых выборок и для выборок после отсечения стоп-слов. При подсчете использовать все слова выборки.
 7. Используя конвейер (Pipeline) реализовать модель Наивного Байесовского классификатора и выявить на основе показателей качества 
 (значения полноты, точности, f1-меры и аккуратности), какая предварительная обработка данных обеспечит наилучшие результаты классификации. 
 Должны быть исследованы следующие характеристики: