2.0 KiB
Instrukcja
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.
Klasy
Klasy = ['request', 'inform', 'bye', 'reqmore', 'help', 'ack', 'affirm', 'hello', 'thankyou', 'null']
Musisz wykorzystywać takie same nazwy klas, podanie 'request()' dla 'request' zostanie uznane za błąd.
Jeśli jedna wypowiedź miała dwie etykiety (np. hello & request) dane został zapisane dwukrotnie z różnymi etykietami.
| in.tsv | evaluate.tsv |
|---|---|
| Oki, to będzie tyle | ack |
| Oki, to będzie tyle | inform |
| 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.