연습 - 신경망을 사용하여 텍스트 감정 분석

5분

실제 테스트는 모델에 자신만의 텍스트를 입력하고 수행되는 상황, 즉 해당 텍스트에 표현된 감정의 정량화에 대한 정확도를 확인할 때 발생합니다. 이 단원에서는 텍스트 문자열을 입력으로 받아들이고, 모델에 전달하고, 감정 점수를 반환하는 Python 함수를 작성합니다. 그러면 이 함수를 사용하여 다양한 텍스트 문자열로 표현된 감정을 분석할 수 있습니다.

Notebook의 끝에 있는 셀에 다음 코드를 추가하고 해당 셀을 실행합니다.

import string
import numpy as np

def analyze(text):
    # Prepare the input by removing punctuation characters, converting
    # characters to lower case, and removing words containing numbers
    translator = str.maketrans('', '', string.punctuation)
    text = text.translate(translator)
    text = text.lower().split(' ')
    text = [word for word in text if word.isalpha()]

    # Generate an input tensor
    input = [1]
    for word in text:
        if word in word_dict and word_dict[word] < top_words:
            input.append(word_dict[word])
        else:
            input.append(2)
    padded_input = sequence.pad_sequences([input], maxlen=max_review_length)

    # Invoke the model and return the result
    result = model.predict(np.array([padded_input][0]))[0][0]
    return result

이러한 명령문은 문자열을 입력으로 받아들이고, 해당 문자열에 표현된 감정을 정량화하는 0.0~1.0의 숫자를 반환하는 analyze라는 함수를 정의합니다. 숫자가 높을수록 더 긍정적인 감정이 됩니다. 이 함수는 입력 문자열을 정리하고, 입력 문자열을 load_data 함수로 만든 사전의 단어를 참조하는 정수 목록으로 변환한 다음, 마지막으로 모델의 predict 함수를 호출하여 감정에 대한 텍스트를 채점합니다.

Notebook을 사용하여 다음 명령문을 실행합니다.
```
analyze('Easily the most stellar experience I have ever had.')
```
출력은 입력 텍스트에서 0.0~1.0의 숫자로 표현된 감정입니다. 모델의 평가에 동의할 수 있나요?
이제 다음 명령문을 시도해 보세요.
```
analyze('The long lines and poor customer service really turned me off.')
```
모델에서 이 텍스트에 표현된 감정을 어떻게 정량화하고 있나요?

마지막으로 자신만의 입력 문자열을 사용하여 모델을 테스트합니다. 결과가 완전하지는 않지만 모델이 감정을 정량화하는 데 적합하다는 것을 알 수 있습니다. 모델이 영화 리뷰를 사용하여 학습되었지만, 영화 리뷰를 분석하는 것으로만 제한되지는 않습니다. 영화에 대해 좋아요와 싫어요를 표현하는 언어와 다른 관계없는 주제에 대한 감정을 표현하는 단어 사이에는 고유한 유사성이 있으므로 의미가 있습니다.

연습 - 신경망을 사용하여 텍스트 감정 분석

피드백