taralino

Ergebnisse

Dank des kennengelernten HotelReviews-Datenpakets können wir nun ein neuronales Netz zur Sentimentanalyse trainieren und testen. Wir treffen dazu folgende Definition:

Eine Hotelbewertung gilt als positiv, falls mindestens vier Sterne vergeben wurden. Anderenfalls definieren wir die Bewertung als negativ.

Falls der vollständige Trainingsumfang verwendet wird, besteht das zugehörige Bag-of-Words aus 26244 Wörtern bzw. Token. Entsprechend besitzt auch das neuronale Netz zur Lösung der Aufgabe ein Eingangssignal bestehend aus 26244 Neuronen. Als Ausgangssignal werden zwei Neuronen verwendet, da wir nur zwischen positiv und negativ klassifizieren. Ohne verborgene Schichten erhalten wir damit das folgende Layout:

In der nachfolgenden Anwendung kannst du eigene Erfahrungen sammeln. Je nach Trainingsphase sowie Wahl der Parameter lassen sich etwa 90 Prozent der Testdaten korrekt klassifizieren. Das ist ein durchaus beachtliches Ergebnis, da Bewertungen mit 3 von 5 Sternen nicht unbedingt als eindeutig negativ zu verstehen sind.

Quellcode

Vollständiges Beispiel zur Sentimentanalyse anhand von Hotelbewertungen.

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <script src="taralino.js"></script>
  <script src="HotelReviews.js"></script>
</head>
<body>
<script>

// Trainings- und Testdaten
var X = HotelReviews.train({count:500});
var Y = HotelReviews.test({count:100});

// Erstellung des Bag-of-Words
Nlp.init(X);

// Vektorisierung der Trainingsdaten
for (var k = 0; k < X.length; k++) {
  X[k]["input"] = Nlp.vectorize(X[k]["input"]);
  X[k]["output"] = (X[k]["rating"] < 4 ? [1,0] : [0,1]);
};

// Vektorisierung der Testdaten
for (var k = 0; k < Y.length; k++) {
  Y[k]["input"] = Nlp.vectorize(Y[k]["input"]);
  Y[k]["output"] = (Y[k]["rating"] < 4 ? [1,0] : [0,1]);
};

// Initialisierung (Layout des Netzes) und Trainingsphase starten
NeuralNetwork.init([X[0]["input"].length, X[0]["output"].length]);
NeuralNetwork.progress(X, Y, {iterations:100, batch_size:10});

// Wird aufgerufen, wenn Trainingsphase abgeschlossen ist
function on_training_done(data) {
  var n = NeuralNetwork.test(Y);
  Console.print(n + " von " + Y.length +" Testdaten korrekt erkannt");
};

</script>
</body>
</html>

Vorschau Download Kopie speichern

Aufgabe

Mache dich mit dem Quellcode zuvor vertraut und experimentiere mit den folgenden Parametern:

Verändere den Umfang der Trainingsdaten
Verändere den Umfang der Testdaten
Verändere die Anzahl der Iterationen der Trainingsphase
Verändere die Batchsize
Führe eine verborgene Schicht ein

Beachte, dass die Rechenzeit je nach Wahl der Parameter durchaus einige Zeit in Anspruch nehmen kann. Diskutiere deine Beobachtungen.