84 строки
5.8 KiB
Markdown
84 строки
5.8 KiB
Markdown
# Лабораторная работа №3. Классификация текстовых данных
|
||
|
||
## Цель работы
|
||
|
||
Получить практические навыки решения задачи классификации текстовых данных в среде Jupiter Notebook.
|
||
Научиться проводить предварительную обработку текстовых данных, настраивать параметры методов классификации и обучать модели, оценивать точность полученных моделей
|
||
|
||
## Задание
|
||
|
||
1. Загрузить выборки по варианту из лабораторной работы №2. Стемминг проводить не нужно.
|
||
2. Используя GridSearchCV произвести предварительную обработку данных и настройку методов классификации в соответствие с заданием,
|
||
вывести оптимальные значения параметров и качество классификации модели (взвешенная f1-мера) с данными параметрами. Область поиска параметров прдеварительно обработки выбрать с учетом результатов ЛР2.
|
||
3. Перевести выборку к векторному представлению word embedding согласно варианту.
|
||
4. Провести обучение и настройку тех же алгоритмов классификации и с теми же параметрами, что и в п.2, но на выборке, представленной с помощью word embedding
|
||
5. По каждому пункту работы занести в отчет программный код и результат вывода.
|
||
6. Оформить сравнительную таблицу с результатами классификации различными методами с разными настройками. Объяснить результаты и подумать, как их можно улучшить.
|
||
Сделать выводы о наиболее подходящем методе классификации ваших данных с указанием параметров метода и описанием предварительной обработки данных.
|
||
|
||
|
||
|
||
## Варианты заданий
|
||
|
||
| Вариант | Метод | Word embedding |
|
||
| :--- | :--- | :--- |
|
||
| 1 | KNN, SVM | glove-wiki-gigaword-50 |
|
||
| 2 | RF, MNB | glove-wiki-gigaword-100
|
||
| 3 | KNN, DT | glove-wiki-gigaword-200 |
|
||
| 4 | RF, KNN | glove-wiki-gigaword-300 |
|
||
| 5 | LR, MNB | word2vec-google-news-300 |
|
||
| 6 | DT, LR | glove-wiki-gigaword-200 |
|
||
| 7 | RF, SVM | glove-twitter-100 |
|
||
| 8 | SVM, DT | glove-twitter-200 |
|
||
| 9 | RF, SVM | glove-twitter-100 |
|
||
| 10 | MNB, SVM | glove-twitter-25 |
|
||
| 11 | MNB, DT | word2vec-google-news-300 |
|
||
| 12 | RF, LR | glove-twitter-50 |
|
||
|
||
## Параметры, которые необходимо настроить
|
||
|
||
Помимо параметров предварительной обработки, таких как: взвешивание, отсечение стоп-слов,
|
||
количество информативных терминов, для каждого метода классификации необходимо настроить следующие параметры:
|
||
**К-ближайших соседей (KNN):**
|
||
|
||
* количество ближайших соседей,
|
||
* метрика (евклидова, косинусная)
|
||
|
||
|
||
**Дерево решений (DT):**
|
||
|
||
* критерий (параметр criterion: ‘gini’, ‘entropy’),
|
||
* глубина дерева (параметр max_depth: {5, 15, 50, 100}).
|
||
|
||
**Случайный лес (RF):**
|
||
|
||
* количество деревьев решений (параметр n_estimators: {5, 30, 100}),
|
||
* критерий (параметр criterion: ‘gini’, ‘entropy’),
|
||
* глубина дерева (параметр max_depth: {5, 15, 50}).
|
||
|
||
**Логистическая регрессия (LR):**
|
||
|
||
* метод нахождения экстремума (параметр solver: ‘newton-cg’, ‘lbfgs’, ‘sag’, ‘liblinear’),
|
||
* регуляризация (параметр penalty: ‘L1’, ‘L2’)
|
||
Обратить внимание, что разные виды регуляризации работают с разными методами нахождения экстремума.
|
||
Предлагается сначала настроить модель для одного из типом регулязиации, затем для другого, и выбрать лучшую модель из двух.
|
||
|
||
**Метод опорных векторов (SVM):**
|
||
* функция потерь (параметр kernel: ‘linear’, ‘rbf’),
|
||
* коэффициент регуляризации (параметр C: {0.1, 1, 5})
|
||
|
||
|
||
**Мультиномиальный Наивный Байесовский метод (MNB)**
|
||
* параметр сглаживания α (параметр alpha: {0.1, 1, 2})
|
||
|
||
## Контрольные вопросы
|
||
|
||
1. Алгоритм и особенности метода опорных векторов.
|
||
2. Алгоритм и особенности метода логистической регрессии.
|
||
3. Алгоритм и особенности метода деревьев решений.
|
||
4. Что такое регуляризация?
|
||
5. Что такое метрика расстояния? Какие метрики вам известны?
|
||
|
||
|
||
|