Final Version

main.py

@@ -1,16 +1,36 @@
+'''
+Autor: Dominik Strzałko
+Data: 05.08.2021
+Zadanie: naiwny bayes2 gotowa biblioteka (Skeptic vs paranormal subreddits)
+'''
 import numpy as np
 from sklearn.preprocessing import LabelEncoder
 from sklearn.naive_bayes import MultinomialNB
 from sklearn.pipeline import make_pipeline
 from sklearn.feature_extraction.text import TfidfVectorizer
 
+def open_tsv(tsv):
+    '''
+    Funkcja do zamiany plików tsv jako listy linii tekstu.
+
+    Na wejście potrzebuje ścieżkę do pliku .tsv
+
+    np. X = open_tsv("train/expected.tsv")
+    '''
+    with open(tsv) as f:
+        return f.readlines()
+
 def Create_model(X_tsv, Y_tsv):
+    '''
+    Funkcja przeznaczona do tworzenia modelu uczenia maszynowego. 
+    
+    Na wejście trzeba podać zbiór X_train oraz Y_train w formie plików tsv.
 
-    with open(X_tsv) as f:
-        X = f.readlines()
+    np. model = Create_model("train/in.tsv", "train/expected.tsv")
+    '''
 
-    with open(Y_tsv) as f:
-        Y = f.readlines() 
+    X = open_tsv(X_tsv)
+    Y = open_tsv(Y_tsv)
 
     Y = LabelEncoder().fit_transform(Y)
     pipeline = make_pipeline(TfidfVectorizer(),MultinomialNB())
@@ -19,9 +39,12 @@ def Create_model(X_tsv, Y_tsv):
 
 
 def predict(model, X_tsv, file_name):
+    '''
+    Funkcja przeznaczona do predykcji wyników na podstawie modelu oraz zbiory X. trzecim argumentem w funkcji jest nazwa pliku z predykcjami, do zapisania na dysku.
 
-    with open(X_tsv) as f:
-        X = f.readlines()
+    np. predict(model, "dev-0/in.tsv", "dev-0/out.tsv")
+    '''
+    X = open_tsv(X_tsv)
 
     prediction = model.predict(X)
     np.savetxt(file_name, prediction, fmt='%d')