CONTEUDO PARA MAIS SENTIMENTOS

[Jones Granatyr]

Tentei fazer para mais que dois sentimentos, montei a base de dados, mais no resultado do teste ele apresenta varios valores. tem algum conteudo que eu possa seguir para tentar corrigir esse problema, com dois sentimentos funciona normal,.

[Denny Ceccon]

Olá Kayo,

O primeiro passo é converter os rótulos para inteiros, começando com 0 e incrementando 1 para nova cada classe. Este processo é chamado de LabelEncoder, e pode ser feito utilizando uma classe do Sklearn. No código da aula, depois de criar data_labels, você poderia fazer essa transformação assim:

data_labels = y
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
data_labels = le.fit_transform(data_labels)
print(data_labels)
# array([1, 2, 2, ..., 0, 0, 1])

Aí, depois de treinar o modelo (adaptado para seu número de classes), você continua fazendo a predição o método predict. Você veria algo assim (supondo que temos 3 classes):

y_pred_test = Dcnn.predict(test_inputs)
print(y_pred_test)
# array([[0.11550928, 0.195952 , 0.6885387 ], 
#        [0.134687  , 0.340371 , 0.52494204], 
#        ...,
#        [0.27549207, 0.4443647, 0.28011146],
#        [0.10340592, 0.2649754, 0.63168657]], dtype=float32)

Este array tem shape (n_registros, n_classes), ou seja, cada linha representa um registro e cada coluna representa uma das 3 classes. Os valores são o resultado da ativação final do modelo, que neste caso é softmax, e indicam a probabilidade de o registro daquela linha pertencer àquela classe. Ou seja, você pode recuperar a predição vendo qual a classe de maior probabilidade para cada registro, e isso pode ser feito com:

y_pred_labels = np.argmax(y_pred_test, axis=-1)
print(y_pred_labels)
# array([2, 2, 0, ..., 1, 2, 2])

Este é o resultado com os rótulos codificados, para recuperar o rótulo original você faz:

y_pred = le.inverse_transform(y_pred_labels.reshape(-1))

Agora, y_pred contém seus resultados finais.

[Author]

Posts