Python 如何使用Keras imdb数据集预测情绪分析？

我正在使用keras实现情绪分析模型。我创建了模型并对其进行了培训。但现在我不确定如何预测新数据，因为imdb数据集已经在向量中（[22,33,4，等等…]）

那么，我如何预测一个新的句子，比如：“我爱这部电影”

---

你必须得到单词词典，索引对。使用它，您可以将单词转换为索引，最后填充它

from nltk import word_tokenize
from keras.preprocessing import sequence
word2index = imdb.get_word_index()
test=[]
for word in word_tokenize( "i love this movie"):
     test.append(word2index[word])

test=sequence.pad_sequences([test],maxlen=max_review_length)
model.predict(test)

---

为了研究这个主题，我写了一个在keras上工作的机器学习。 这台机器对来自网站的新电影评论进行分类 基于IMDB数据库

将numpy导入为np
从keras导入模型
从keras导入图层
从keras.dataset导入imdb
从nltk导入单词\u标记化
导入字符串
顶级单词=10000
def准备字符串（文本字符串，维度=顶部单词）：
text\u string=text\u string.lower（）
table=str.maketrans（dict.fromkeys（string.标点符号））
text\u string=text\u string.translate（表）
word2index=imdb.get\u word\u index（）
测试=[]
对于word\u标记化中的word（文本\u字符串）：
test.append（word2index[word]）
结果=np.零（维度）
对于_，枚举（测试）中的顺序：
如果顺序<尺寸：
结果[顺序]=1
打印（“\n原始字符串：”，文本字符串，“\n”）
打印（“\n索引转换：”，测试“\n”）
结果=np.重塑（结果，（1，顶部单词））
打印（“\n转换为向量：”，结果“\n”）
返回结果
def矢量化（序列，维度=顶部单词）：
结果=np.零（（len（序列），维数））
对于i，枚举中的序列（序列）：
结果[i，序列]=1
返回结果
（训练数据，训练目标），（测试数据，测试目标）=imdb.load\u数据（num\u单词=TOP\u单词）
数据=np。连接（（训练数据、测试数据），轴=0）
目标=np。连接（（训练目标、测试目标），轴=0）
数据=矢量化（数据）
targets=np.array（targets.astype（“float32”）
测试x=数据[：10000]
测试y=目标[：10000]
列车×=数据[10000:]
列车y=目标[10000:]
model=models.Sequential（）
model.add（layers.Dense（50，activation=“relu”，input_shape=（TOP_WORDS，））
model.add（layers.Dropout（0.3，noise_shape=None，seed=None））
model.add（layers.Dense（50，activation=“relu”））
model.add（layers.Dropout（0.2，noise_shape=None，seed=None））
model.add（layers.Dense（50，activation=“relu”））
model.add（layers.Dense（1，activation=“sigmoid”））
model.summary（）
model.compile(
optimizer=“adam”，
loss=“二进制交叉熵”，
指标=[“准确度”]
)
结果=model.fit(
列车x，列车y，
纪元=10，
批次尺寸=500，
验证数据=（测试x，测试y）
)
打印（“测试损失：”，结果。历史记录[“损失”]）
打印（“测试精度：”，结果。历史记录[“精度”]）
数据字符串=准备字符串("首先，这不是一部战争电影。这是一部关于战争中人类的纽带的电影。这是迄今为止我在很长一段时间内看过的最好的电影。我有很高的期望，也没有失望。一开始我很想看到山姆·门德斯的一个想法，但过了一段时间，我不再关注这一点。当一切都是关于战争的时候这部电影拍得很好，我被两个主角吸引住了，其他什么都不重要。我会一次又一次地看这部电影。”）
打印（“预测：”，model.predict（数据字符串））
打印（“预测类：”，模型。预测类（数据字符串））
打印（“----1良好-----\n”）
数据字符串=准备字符串（“这是我很久以来看过的最好的电影之一。值得在大银幕上观看。电影摄影非常出色，一次拍摄的过程真的让你感觉自己就在那里。两位主要演员真正理解了这样一个概念，即人与人之间的接触可以如此强烈，特别是在战争这种可怕的情况下。洞察力强，感人，整体令人惊叹（手表）
打印（“预测：”，model.predict（数据字符串））
打印（“预测类：”，模型。预测类（数据字符串））
打印（“----1良好-----\n”）
数据字符串=准备字符串（“我觉得脏兮兮的，我觉得累了，我觉得饿了，我觉得有一种成功的意愿，我在看这部电影的时候感到悲伤。我感觉自己也在为联系麦肯齐上校而奋斗两个小时。几个小时后，我的情绪仍然在我的身体之外。美妙的照片和音乐。出色的工作人员阵容。这部电影真是太完美了！）
打印（“预测：”，model.predict（数据字符串））
打印（“预测类：”，模型。预测类（数据字符串））
打印（“----1良好-----\n”）
数据字符串=准备字符串（“我觉得自己根本不认识这些角色。我不知道这两个士兵为什么是朋友，也不知道他们在一起经历了什么。电影摄影试图让这部电影成为一部情感震撼的电影，结果却产生了相反的效果。战争场景免费近距离拍摄尸体和身体部位，这对故事没有任何影响快变老了。”）
打印（“预测：”，model.predict（数据字符串））
打印（“预测类：”，模型。预测类（数据字符串））
打印（----0不正确-----\n）
数据字符串=准备字符串（“这部电影唯一令人兴奋的部分是《最后的人都死了》的结尾，它代表了第一次世界大战。我高度怀疑他遇到了一个带着被遗弃的孩子的陌生女人，我高度怀疑这一切是否发生过。这部电影拯救了列兵瑞安，但是无聊且可预测。”）
打印（“预测：”，model.predict（数据字符串））
普林
from nltk import word_tokenize
from keras.preprocessing import sequence
word2index = imdb.get_word_index()
test=[]
for word in word_tokenize( "i love this movie"):
     test.append(word2index[word])

test=sequence.pad_sequences([test],maxlen=max_review_length)
model.predict(test)