Wykorzystaj przygotowany klasyfikator do sklasyfikowania danych wejściowych z **in.tsv** (z preprocessingiem) lub **raw.tsv** (bez preporcessingu). Następnie zapisz wyniki do **predicted.tsv** pamiętając o tym, że kolejność ma znaczenie. Następnie uruchom **evaluate.ipynb** i sprawdź wynik.
Do stworzenia własnego preprocessignu zmodyfikuj **preprocess.ipynb**, ale **nie pushuj** zmodyfikowanego notebooka.
Tak, uzysaknie 100% dokładności może być niemożliwe.
## Opis plików .ipynb
#### evaluate.ipynb
Zwraca wynik klasyfikacji porównując **predicted.tsv** do **evaluate.tsv**.
#### preprocess.ipynb
Preprocessuje dane wejściowe. Pozwala zobaczyć jak działa preprocessing i pozwala na zrobienie własnego preporcessingu. Odkomentowanie ostatniej komórki nadpisze **in.tsv**.
## Opis plików .tsv
#### in.tsv
Dane wejściowe z preprocessingiem, domyślne wejście.
#### raw.tsv
Dane wejściowe bez prerocessingu, skorzystaj z tego jeśli chcesz zastosować własny preprocessing.
#### predicted.tsv
W tym pliku zapisz swoje predykcje dla danych z **in.tsv** lub **raw.tsv**
#### evaluate.tsv
Ten plik zawiera zaadnotowane etykiety aktów dla wypowiedzi z **in.tsv**/**raw.tsv**. **Nie zmieniaj tego pliku.** Przy wykorzystani tego pliku do uczenia maszynowego nie używaj **evaluate.ipynb** do oceny modelu, zamiast tego podziel dane na treningowe, walidacyjne i testowe. Ewaluuj model na części danych nie wykorzystanych podczas treningu (na testowych, jeśli wykorzystujesz do treningu dane treningowe i walidacyjne). Pamiętaj, żeby przed podziałem zbioru wymieszać kolejność.
