Ein Textanalyse-Experiment erstellen
Nutzen Sie die Textanalysefunktion von „ AutoAI's “, um eine Textanalyse Ihrer Experimente durchzuführen. Führen Sie beispielsweise eine einfache Stimmungsanalyse durch, um anhand von Textkommentaren ein Ergebnis vorherzusagen.
Übersicht zur Textanalyse
Wenn Sie ein Experiment erstellen, das die Textanalysefunktion nutzt, wandelt der Prozess „ AutoAI “ den Text mithilfe des word2vec Algorithmus in Vektoren um und vergleicht diese anschließend, um den Einfluss auf die Vorhersagespalte zu ermitteln.
Der word2vec Algorithmus nimmt einen Textkorpus als Eingabe entgegen und gibt eine Menge von Vektoren aus. Indem Text in eine numerische Darstellung umgewandelt wird, kann das System ähnliche Wörter erkennen und vergleichen. Wenn es mit genügend Daten trainiert wurde, word2vec kann es genaue Vorhersagen über die Bedeutung eines Wortes oder dessen Beziehung zu anderen Wörtern treffen. Die Vorhersagen können zur Textanalyse und zur Ermittlung der Bedeutung in Anwendungen zur Stimmungsanalyse genutzt werden.
Während der Feature-Engineering-Phase des Trainingsexperiments werden mithilfe des word2vec Algorithmus 20 Merkmale für die Textspalte generiert. Die automatische Erkennung von Textmerkmalen basiert auf der Analyse der Anzahl der eindeutigen Werte in einer Spalte und der Anzahl der Tokens in einem Datensatz (Mindestanzahl = 3). Wenn die Anzahl der eindeutigen Werte geringer ist als die Gesamtzahl der Werte geteilt durch 5, wird die Spalte nicht als Text behandelt.
Sobald das Experiment abgeschlossen ist, können Sie die Ergebnisse der Feature-Engineering-Phase auf der Detailseite der Pipeline einsehen. Sie können eine Pipeline auch als Notizbuch speichern, in dem Sie die Transformationen überprüfen und eine Visualisierung der Transformationen anzeigen können.
Beispiel: Analyse von Kundenkommentaren
In diesem Beispiel werden die Bewertungen einer fiktiven Autovermietung verwendet, um ein Modell zu trainieren, das bei der Eingabe einer neuen Bewertung eine Zufriedenheitsbewertung vorhersagt.
Sehen Sie sich dieses kurze Video an, um sich das Beispiel anzusehen, und lesen Sie anschließend die weiteren Details zur Textfunktion unterhalb des Videos.
Dieses Video bietet eine anschauliche Möglichkeit, die Konzepte und Aufgaben in dieser Dokumentation kennenzulernen.
Ausgehend von einem Datensatz, der eine Spalte mit Bewertungskommentaren zur Vermietungserfahrung (Customer_service) sowie eine Spalte mit einer binären Zufriedenheitsbewertung (Satisfaction) enthält, wobei 0 für einen negativen Kommentar und 1 für einen positiven Kommentar steht, wird das Modell darauf trainiert, bei Eingabe neuer Rückmeldungen eine Zufriedenheitsbewertung vorherzusagen.
Ein Experiment zur Textumwandlung trainieren
Nachdem Sie den Datensatz geladen und die Vorhersagespalte (Zufriedenheit) festgelegt haben, wird in den Experiment-Einstellungen die Option „Text-Feature-Engineering verwenden“ ausgewählt.
Beachten Sie einige Details zur Optimierung Ihres Textanalyse-Experiments:
- Sie können die Standardauswahl übernehmen, bei der die Textspalten automatisch ausgewählt werden, oder Sie können mehr Kontrolle ausüben, indem Sie die Spalten für das Text-Feature-Engineering manuell festlegen.
- Während der Durchführung des Experiments werden mithilfe des
word2vecAlgorithmus standardmäßig 20 Merkmale für die Textspalte generiert. Sie können diesen Wert bearbeiten, um die Anzahl der Elemente zu erhöhen oder zu verringern. Je mehr Vektoren Sie generieren, desto genauer ist Ihr Modell, aber desto länger dauert das Training. - Die übrigen Optionen gelten für alle Arten von Experimenten, sodass Sie die Verarbeitung der endgültigen Trainingsdaten genau anpassen können.
Führen Sie das Experiment durch, um die laufenden Transformationen zu beobachten.
Wählen Sie den Namen einer Pipeline aus und klicken Sie dann auf „Funktionsübersicht“, um die Textumwandlungen anzuzeigen.
Sie können die Experiment-Pipeline auch als Notebook speichern und die Transformationen in Form einer Visualisierung anzeigen.
Bereitstellung und Bewertung eines Textumwandlungsmodells
Wenn Sie dieses Modell auswerten, geben Sie neue Kommentare ein, um eine Vorhersage mit einem Konfidenzwert darüber zu erhalten, ob der Kommentar zu einer positiven oder negativen Zufriedenheitsbewertung führt.
Zum Beispiel die Eingabe des Kommentars „Wir haben fast drei Stunden gebraucht, um ein Auto zu bekommen.“ „Das war absurd“ sagt eine Zufriedenheitsbewertung von 0 bei einem Konfidenzniveau von 95 % voraus.
