Есть нейронная сеть определяющая тональность отзывов о фильмах(хороший/плохой). Использовал датасет imdb
Для взвешивания терминов использовал TF-IDF. Тип сети - многослойный персептрон. Суть проблемы - на выходе сеть выдает точность 87% на тестовых данных. После работы сети я подал ту же тестовую выборку на уже обученную сеть для проверки результата и получил в итоге 9237 несоответствий, что почти 40%, но никак не 13. Откуда такое расхождение?
Модель сети:
from pathlib import Path
import pandas as pd
from keras.models import Sequential
from keras.layers import Embedding, Dense, Dropout, Activation
from keras.preprocessing.text import Tokenizer, text_to_word_sequence
from keras import optimizers
def flatten(iterable, types_to_flatten=(list, tuple)):
for it in iterable:
if isinstance(it, types_to_flatten):
yield from flatten(it)
else:
yield it
def get_data(path):
p = Path(path)
train = pd.concat([pd.read_csv(f, sep='\t', index_col=0)
for f in p.glob('train_???.tsv*')],
ignore_index=True)
test = pd.concat([pd.read_csv(f, sep='\t', index_col=0)
for f in p.glob('test_???.tsv*')],
ignore_index=True)
return ((train['Text'], train['Sentiment']),
(test['Text'], test['Sentiment']))
# read data
(X_train, y_train), (X_test, y_test) = get_data(r'D:\download\NLP')
# build vocabulary
t = Tokenizer(num_words=10000)
t.fit_on_texts(X_train)
t.fit_on_texts(X_test)
# build a model
model = Sequential()
model.add(Dense(100, activation='relu', input_dim=10000))
model.add(Dropout(0.25))
model.add(Dense(50,activation = 'relu'))
model.add(Dense(1, activation='sigmoid'))
optimiz = optimizers.Adam(lr=0.0001, beta_1=0.9, beta_2=0.999, epsilon=1e-08, decay=0.0)
model.compile(loss = 'binary_crossentropy',optimizer = optimiz ,metrics = ['accuracy'])
# convert texts to TF-IDF matrices
X_train = t.texts_to_matrix(X_train, mode='tfidf')
X_test = t.texts_to_matrix(X_test, mode='tfidf')
# fit the model
hist = model.fit(X_train,y_train,validation_data = (X_test,y_test),epochs = 5,batch_size = 64)
Так проверяю результат:
X1=X_test.values.tolist()
X2=y_test.values.tolist()
X3 = np.asarray(X2)
t.fit_on_texts(X1)
X = t.texts_to_matrix(X1, mode='tfidf')
X3=X3.tolist()
X3=np.asarray(X3)
X4=list(flatten(np.round(model.predict(X)).tolist()))
X4=np.asarray(X4)
(X4 != X3).sum()
В результате 9237 несоответствий.