4-7.项目四 人工智能+文化娱乐：电影影评情感分析-任务三 模型训练与模型评估

任务三

模型训练与模型评估项目四

人工智能+文化娱乐：电影影评情感分析《人工智能技术应用导论》12目录任务描述任务目标3任务实施4任务说明任务描述1监督学习流程探索监督学习流程与方法

引导学习者深入探索监督学习基本流程，系统学习模型训练、验证与评估核心方法。选参内在逻辑分析

理解数据集划分、模型选择与性能指标的内在逻辑及应用价值。任务目标2任务目标

掌握一种机器学习模型的训练方法，如朴素贝叶斯。

掌握机器学习模型的评估方法。任务说明3

实现步骤模型训练将数据集划分为训练集和测试集（80%训练，20%测试）；初始化朴素贝叶斯模型；使用训练数据对模型进行训练。

模型评估使用测试集进行预测、计算准确率并打印更详细的分类报告。

应用预测定义函数，封装从预处理到预测的完整流程；用两个全新的例子测试了函数，看模型能否成功预测。实践要求

实践要求（1）成功对数据集进行模型训练。（2）完成模型评估。（3）将整个流程封装成一个函数，实现输入一句新影评，就能预测其情感的功能。任务实施4核心框架

核心框架scikit-learn：Python机器学习领域标准库，几乎包含了完成一个标准机器学习项目所需的所有工具，从数据预处理到模型训练，再到性能评估。代码详解1、模型训练

代码详解数据集划分使用train_test_split将整个数据集按80%训练集，20%测试集分割成两部分。训练集用于训练机器学习模型，让模型学习数据中的模式。测试集用于评估模型在从未见过的数据上的表现，以检验其泛化能力。

模型训练从Scikit-learn库中导入机器学习算法—多项式朴素贝叶斯分类器。适用于离散型特征，比如文本分类中的词频或TF-IDF值。它在文本分类任务中通常表现得很好，并且训练速度快，对资源要求不高。

代码详解模型实例化实例化了一个机器学习模型。并将其赋值给变量model。此时，model只是一个“空壳”或“未训练的模型”，它还没有学习任何数据。

模型训练通过model.fit(x_train,y_train)训练模型，其中x_train是输入特征，y_train为标签完成由未训练到已训练状态转变，存储数据统计规律用于预测。代码详解2、模型评估代码详解：模型评估模型测试用训练好的模型对测试集的特征进行预测，得到预测标签。模型评估计算模型的准确率。其中y_test是真实的标签。y_pred是模型给出的预测标签。计算公式：准确率=(预测正确的样本数)/(总样本数)分类报告classification_report提供了一个更详细的评估视图，包括精确率，即预测为正类的样本中，有多少是真正的正类。召回率，即所有真正的正类中，有多少被成功预测出来。F1-Score，即精确率和召回率的调和平均数，是一个综合评价指标。代码详解3、应用预测

代码详解函数封装将整个流程封装成一个函数，实现从预处理到预测的完整流程，包括预处理新输入的文本；使用训练好的向量转换器将其转换为TF-IDF向量；使用训练好的模型进行预测；返回预测结果。

函数测试用两个全新的例子review1和review2测试了函数，并打印预测结果。项目运行与