Skip to content
Snippets Groups Projects
Commit 7657feca authored by Silas Dohm's avatar Silas Dohm
Browse files

fixed layout (lstinline)

parent 79c9ef8b
Branches
No related tags found
No related merge requests found
...@@ -41,12 +41,11 @@ Zuerst wird in Zeile 5 die im Listing \ref{list:gw2v} geschriebene Funktion ...@@ -41,12 +41,11 @@ Zuerst wird in Zeile 5 die im Listing \ref{list:gw2v} geschriebene Funktion
Die Funktion \lstinline{getSentenceVectorCNN} in Zeile 7 nimmt eine Rezension entgegen und Die Funktion \lstinline{getSentenceVectorCNN} in Zeile 7 nimmt eine Rezension entgegen und
transformiert diese in eine für das CNN verarbeitbare Form. transformiert diese in eine für das CNN verarbeitbare Form.
\wip{genauer erklären?} %\wip{genauer erklären?}
\wip{komischer Satz...}
Dafür wird die Rezension in Zeile 8 tokenisiert, sodass in der Variable Dafür wird die Rezension in Zeile 8 tokenisiert, sodass in der Variable
\lstinline{split} eine Liste der, durch die Funktion \lstinline{utils.simple_preprocess} \lstinline{split} eine Liste der Rezensionswörter gespeichert ist.
vorverarbeiteten, Wörter gespeichert ist. Die Vorverarbeitung und Trennung der Wörter erfolgt hier durch die Funktion \lstinline{utils.simple_preprocess}.
Danach wird in Zeile 9 das Numpy-Array wordVecs mit Nullen initialisiert. Danach wird in Zeile 9 das Numpy-Array wordVecs mit Nullen initialisiert.
Dieses Numpy-Array speichert die ersten 72 Wortvektoren der Rezension, Dieses Numpy-Array speichert die ersten 72 Wortvektoren der Rezension,
...@@ -110,7 +109,7 @@ Information zu erzwingen. ...@@ -110,7 +109,7 @@ Information zu erzwingen.
Zuletzt muss das neuronale Netz noch kompiliert werden, dies geschieht in Zuletzt muss das neuronale Netz noch kompiliert werden, dies geschieht in
Zeile 18. Hierbei wird wie gehabt der optimizer \lstinline{adam} gewählt und die Zeile 18. Hierbei wird wie gehabt der optimizer \lstinline{adam} gewählt und die
Fehlerfunktion \lstinline{sparse_categorical_crossentropy} sowie die Metrik Fehlerfunktion \lstinline[literate={\_}{}{0\discretionary{\_}{}{\_}}]{sparse_categorical_crossentropy} sowie die Metrik
\lstinline{sparse_categorical_accuracy} verwendet. \lstinline{sparse_categorical_accuracy} verwendet.
Die Zusammenfassung des Modells, die durch Zeile Die Zusammenfassung des Modells, die durch Zeile
...@@ -176,7 +175,7 @@ Zeile 27 und 28 variablen gespeichert. ...@@ -176,7 +175,7 @@ Zeile 27 und 28 variablen gespeichert.
Die Klassengewichte in Zeile 31 wurden im Listing \ref{list:modelCNNWeights} berechnet. Die Klassengewichte in Zeile 31 wurden im Listing \ref{list:modelCNNWeights} berechnet.
Mit allen Anforderungen erfüllt kann jetzt in Zeile 32 das Modell trainiert werden. Mit allen Anforderungen erfüllt kann jetzt in Zeile 32 das Modell trainiert werden.
\wip{schwer zu versteheneder Satz}Dabei ist zu beachten, dass die Anzahl der Schritte pro Dabei ist zu beachten, dass die Anzahl der Schritte pro
Epoche für die Validierungsmenge gedrittelt wird, da Epoche für die Validierungsmenge gedrittelt wird, da
die Trainingsmenge $\frac{3}{5}$ des Datensatzes ausmacht die Validierungsmenge die Trainingsmenge $\frac{3}{5}$ des Datensatzes ausmacht die Validierungsmenge
hingegen nur $\frac{1}{5}$ wird hingegen nur $\frac{1}{5}$ wird
...@@ -230,7 +229,17 @@ zurückliefert. ...@@ -230,7 +229,17 @@ zurückliefert.
Positiv &0.0316& 0.1316& 0.8367\\ Positiv &0.0316& 0.1316& 0.8367\\
\end{tabular} \end{tabular}
\end{center} \end{center}
\label{tab:conf_w_cnn}
\caption{Konfusionsmatrix mit Klassengewichtung} \caption{Konfusionsmatrix mit Klassengewichtung}
\label{tab:conf_w_cnn}
\end{table} \end{table}
\wip{Tabelle auswerten!}
Aus der Tabelle \ref{tab:conf_w_cnn} lässt sich ablesen, das negative Bewertungen zu $83.14\%$ richtig als
negative Bewertung klassifiziert werden, zu $13.77\%$ als neutrale Bewertung und zu $3.08\%$
als positive Bewertung.
Neutrale Bewertungen werden zu $63.54\%$ richtig als neutrale Bewertung klassifiziert, zu $19.70\%$
als positive Bewertung und zu $16.76\%$ als negative Bewertung.
Positive Bewertungen werden zu $83.67\%$ richtig
als positive Bewertung klassifiziert, zu $13.16\%$ als neutrale Bewertung und zu $3.16\%$
als negative Bewertung.
\ No newline at end of file
No preview for this file type
0% Loading or .
You are about to add 0 people to the discussion. Proceed with caution.
Please register or to comment