Metin çözümlemesine genel bakış

Metin analizi özelliğini kullanan bir deney oluşturduğunuzda, AutoAI işlemi metni vektörlere dönüştürmek için word2vec algoritmasını kullanır, ardından tahmin sütunu üzerindeki etkiyi oluşturmak için vektörleri karşılaştırır.

word2vec algoritması, giriş olarak bir metin corpus 'unu alır ve bir vektör kümesi çıkarır. Metni sayısal bir gösteriye dönüştürerek benzer sözcükleri algılayabilir ve karşılaştırabilir. Yeterli veriyle eğitildiğinde word2vec , bir sözcüğün anlamı ya da diğer sözcüklerle ilişkisi hakkında doğru tahminler yapabilir. Tahminler, duygu analizi uygulamalarında metni analiz etmek ve anlamı tahmin etmek için kullanılabilir.

Deneme eğitiminin özellik mühendisliği aşamasında, word2vec algoritması kullanılarak metin sütunu için 20 özellik oluşturulur. Metin özelliklerinin otomatik algılanması, bir sütundaki benzersiz değerlerin sayısını ve bir kayıttaki simge sayısını çözümlemeye dayalıdır (minimum sayı = 3). Benzersiz değerlerin sayısı, 5 'e bölünmüş tüm değerlerin sayısından azsa, sütun metin olarak kabul edilmez.

Deneme tamamlandığında, ardışık işlem ayrıntıları sayfasından özellik mühendisliği sonuçlarını gözden geçirebilirsiniz. Dönüşümleri gözden geçirebileceğiniz ve dönüşümlerin bir görselleştirmesini görebileceğiniz bir ardışık düzeni not defteri olarak da kaydedebilirsiniz.

Örnek: Müşteri yorumlarının çözümlenmesi

Bu örnekte, kurgusal bir araba kiralama şirketinin yorumları, yeni bir yorum girildiğinde memnuniyet derecesini tahmin eden bir modeli eğitmek için kullanılır.

Bu örneği görmek için bu kısa videoyu izleyin ve videonun altındaki metin özelliği hakkında daha fazla ayrıntı okuyun.

Bu video, bu belgedeki kavramları ve görevleri öğrenmek için görsel bir yöntem sağlar.

• transcript
  Transkript ile videoyu eşitle

  Video transkript

  Saat	transcript
  00:00	Bu videoda, bir metin dosyasında duygu analizi gerçekleştirmek için AutoAI deneyinin nasıl oluşturulacağını göreceksiniz.
  00:09	Deneylerinizde metin analizi gerçekleştirmek için metin özelliği mühendisliğini kullanabilirsiniz.
  00:15	Örneğin, bir sonucu metin yorumlarına dayalı olarak tahmin etmek için temel duygu analizi gerçekleştirin.
  00:22	Bir projeyle başlayın ve bu projeye yeni bir varlık ( AutoAI deneyi) ekleyin.
  00:29	Sadece bir ad, açıklama sağlayın, bir makine öğrenimi hizmeti seçin ve deneyi oluşturun.
  00:38	AutoAI deney oluşturucusu görüntülendiğinde, veri kümesini ekleyebilirsiniz.
  00:43	Bu durumda, veri kümesi zaten projede bir veri varlığı olarak saklanır.
  00:48	Deneye eklenecek varlığı seçin.
  00:53	Devam etmeden önce verileri önizleyin.
  00:56	Bu veri kümesinin iki sütunu vardır.
  00:59	İlki müşterilerin yorumlarını, ikincisi ise "memnun değil" için 0 ya da "memnun" için 1 değerini içerir.
  01:08	Bu bir zaman serisi tahmini değil, bu nedenle bu seçenek için "Hayır" seçeneğini belirleyin.
  01:13	Daha sonra, bu örnekteki "Memnuniyet" olan tahmin edilecek sütunu seçin.
  01:19	AutoAI , memnuniyet sütununun iki olası değer içerdiğini ve bunu ikili sınıflandırma modeli için uygun hale getirdiğini belirler.
  01:28	Ve pozitif sınıf 1, "Memnun" için.
  01:32	Deneyi özelleştirmek istiyorsanız deney ayarlarını açın.
  01:36	Veri kaynağı panosunda, metin özelliği mühendisliğine ilişkin bazı seçenekler görürsünüz.
  01:41	Metin sütunlarını otomatik olarak seçebilir ya da metin özelliği mühendisliği için sütunları el ile belirterek daha fazla denetim uygulayabilirsiniz.
  01:52	Metin özellik mühendisliği sırasında her sütun için kaç vektör oluşturulacağını da seçebilirsiniz.
  01:58	Daha düşük bir sayı daha hızlı ve daha yüksek bir sayı daha doğrudur, ancak daha yavaştır.
  02:03	Şimdi, dönüşümleri ve ilerlemeyi görmek için deneyi çalıştırın.
  02:09	Metin analizi özelliğini kullanan bir deney oluşturduğunuzda, AutoAI işlemi metni vektörlere dönüştürmek için word2vec algoritmasını kullanır, ardından tahmin sütunu üzerindeki etkiyi oluşturmak için vektörleri karşılaştırır.
  02:23	Deneme eğitiminin özellik mühendisliği aşamasında, metin sütunu için word2vec algoritması kullanılarak yirmi özellik oluşturulur.
  02:33	Deneme tamamlandığında, ardışık işlem ayrıntıları sayfasından özellik mühendisliği sonuçlarını gözden geçirebilirsiniz.
  02:40	Özellikler özet panosunda, metin dönüşümlerini gözden geçirebilirsiniz.
  02:45	AutoAI ' ın sütun öğelerine algoritma işlevini uygulayarak birkaç metin özelliği oluşturduğunu ve öngörü çıkışınıza en çok hangi özelliklerin katkıda bulunduğunu gösteren özellik önemini görebilirsiniz.
  02:59	Bu ardışık düzeni bir model ya da not defteri olarak kaydedebilirsiniz.
  03:03	Not defteri, bu dönüşümlerin dönüşümlerini ve görselleştirmelerini görmek için gereken kodu içerir.
  03:09	Bu durumda bir model oluşturun.
  03:13	Modeli görüntülemek için bağlantıyı kullanın.
  03:16	Şimdi modeli bir konuşlandırma alanına yükselt.
  03:23	İşte model ayrıntıları ve buradan modeli devreye alabilirsiniz.
  03:28	Bu durumda, bu bir çevrimiçi devreye alma olacaktır.
  03:36	Bu işlem tamamlandığında, konuşlandırmayı açın.
  03:39	Test uygulamasında analiz etmek için bir ya da daha fazla yorum belirtebilirsiniz.
  03:46	Sonra "Predict" (Tahmin) seçeneğini tıklatın.
  03:49	İlk müşterinin hizmetten memnun olmayacağı tahmin ediliyor.
  03:54	İkinci müşterinin de hizmetten memnun olması bekleniyor.
  03:59	Cloud Pak for Data as a Service belgelerinde daha fazla video bulun.

Kiralama deneyimi (Customer_service) için bir inceleme yorumları sütunu ve 0 'ın negatif bir yorumu ve 1 'in olumlu bir yorumu temsil ettiği ikili memnuniyet derecelendirmesi (Memnuniyet) içeren bir sütun içeren bir veri kümesi göz önüne alındığında, deney, yeni geri bildirim girildiğinde bir memnuniyet derecelendirmesini tahmin etmek üzere eğitilir.

Sonraki adımlar

Zaman serisi tahmin deneyi oluşturma

Üst konu: AutoAI modeli oluşturma