[背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community 我们已经看到了若干不同情况下的分类问题 以及我们怎么从数据中预测
一个句子情绪是正面还是负面 在回归模型中 Amy用这个模块图 来描述一个机器学习模型怎样一次次
从它的数据中演变 这里我们就还是用类似一个模块图来看看 它在句子情绪分析这个分类问题中是怎么工作的 在这个例子中 模型是怎么进行情绪分类的呢 这个例子里 学习数据是 评论的内容 对每一条评论来说 它的内容 都和一个特定的情绪标签联系在一起 对那条评论内容来说 我们对它进行一次 特征提取 从特征提取中我们得到了我们算法的输入x 这里x会是单词计数 因此每一条评论我们都可以得到一个单词计数 接下来我们的机器学习模型会接受那个输入 也就是单词计数 还有若干其它参数 这些参数我称之为 w帽 
也就是每个单词的权重 每 个 单 词 然后从单词计数和权重参数中 
我们可以计算输出分类器的预测结果 如果结果大于零 我们说结果是正面情绪 如果小于零我们说是负面情绪 也就是说这里的输出是预测的情绪 如果我们就打算用这个模型预测结果
我们已经完成任务了 但实际上 在机器学习算法阶段 
我们会评估预测结果 并把评估反馈给模型 
从而让模型改进参数 所以我们会把预测出来的情绪标签  y帽 拿来和真.标签比较 真.标签也就是每个数据点(每个句子)的真正情绪标签 那个比较会反馈回给模型 我们这里用分类准确率来测量模型质量 分 类 准 确 率 机器学习算法会尽量提高这个准确率 这一点我们在接下来的分类课程里还会进一步仔细讨论 怎么提高准确率呢
就是要更新权重w帽 这就是这个循环的意思 这个机器学习分类算法的循环 在这一节里 我们学习了怎么做分类问题 我们看了好几个分类问题的例子
以及这些例子在什么地方可以得到应用 我们讨论了构建分类的若干模型 特别是针对情绪分析问题 我们看了一些实时演示 我们甚至构建了一个笔记本
关于我们怎么从数据中构建一个分类器 并且怎么分析这个分类器 拥有这些知识之后 你就做好了准备 可以构造一个核心是分类器的智慧应用了 [背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community