Memprediksi Teks yang Benar-Benar Baru

Pelatihan selesai. Sekarang saatnya inferensi: memasukkan teks baru yang belum pernah dilihat ke model yang disimpan dan membaca prediksinya. 🚀

Awali setiap skrip prediksi dengan memuat alur kerja yang disimpan. Mulai dari sini, perilakunya sama persis seperti model yang Anda latih.

Metode predict menerima daftar teks, bukan satu string. Bahkan satu contoh pun harus dibungkus dalam sebuah daftar.

Masukkan seluruh daftar untuk menilai banyak teks sekaligus. Prediksi secara berkelompok jauh lebih cepat daripada mengulang satu item setiap kali.

Ingin mengetahui tingkat keyakinan, bukan hanya label? Panggil predict_proba untuk melihat seberapa yakin model terhadap setiap kelas.

Teks baru harus melalui pembersihan yang sama seperti data pelatihan Anda. Alur kerja menanganinya, dan inilah alasan Anda menyimpannya secara utuh.

Kata-kata yang belum pernah dilihat model akan diabaikan oleh pengubah vektor. Kosakata Anda ditetapkan saat pelatihan, sehingga prediksi tetap stabil.

Model sering mengembalikan angka seperti 0 dan 1. Ubah angka tersebut menjadi nama label yang mudah dibaca agar orang dapat memahami hasilnya.

Bungkus proses pemuatan dan prediksi dalam satu fungsi pembantu. Kini bagian mana pun dari aplikasi Anda dapat mengklasifikasikan teks dengan satu panggilan yang bersih.

Teks nyata berubah seiring waktu. Ketika akurasi menurun, itulah pergeseran data, tanda bahwa sudah waktunya melatih ulang model dengan contoh-contoh baru.

Fungsi classify Anda dapat ditempatkan di balik API web atau skrip. Kini model tersimpan yang sama menghasilkan prediksi nyata dalam produksi. 🎯

Anda memuat model, menghasilkan prediksi pada teks baru secara berkelompok, membaca probabilitas, memetakan label, membungkusnya dalam fungsi, dan memantau pergeseran. 🏁