机器学习 —— 使用机器学习进行情感分析 演示版（上）https://developer.aliyun.com/article/1507860?spm=a2c6h.13148508.setting.20.1b484f0emHkERh
搭建训练模型
- 导入库。作用如图所示。
- 定义参数网格。主要参数解释如图所示。
- 创建机器学习流水线，可以简化代码，将步骤封装成完整的工作流，避免了代码重复。
- 导入模型，并训练。
- 打印最优组合。
- 实现结果：
随机梯度下降算法
当数据集过大，我们可以用随机梯度下降算法（SGD）。SGD主要应用在大规模稀疏数据问题上，经常用在文本分类及自然语言处理，是深度学习中常用的优化算法之一。
- 数据预处理和数据划分与前文相同，仅截图展示。
- 导入训练模型。
- 分批次加载训练集数据，每次加载1000条，共45*1000。
- 使用模型对测试数据集进行评估，并打印评估结果。
- 实现结果：
与第一种方法对比可知，第二种方法准确度更高。
三、可视化分析
对训练集和测试集的准确率进行可视化分析
- 如图所示，进行10次迭代，仅展示核心代码：
- 绘制训练集和测试集准确率随迭代次数的变化：
- 可视化
如图所示，在训练集上进行部分拟合后，十次迭代的准确度与测试集经过十次迭代的准确度相差不远，说明模型欠拟合。
对训练集经过深度学习后的准确率与损失函数进行可视化分析
- 如图所示，搭建深度学习模型，训练后获取准确度和损失函数，仅展示核心代码：
- 绘制训练集准确率和损失函数曲线：
3. 可视化
如图所示，在训练集上进行深度学习后，准确度远远高于验证准确度，而且损失函数也比验证损失函数小，说明深度学习训练效果好。
