Ejercicio: Clasificación de oraciones sobre dominios estructurales de proteínas

Descripción

• Clasificación
  • binaria
  • One-of (categorías excluyentes)
• Categorías
  • Oraciones sobre dominio estructural (DOM)
  • Oraciones sobre otro tema (OTHER)

Tarea

Desarrolle varios clasificador utilizando los siguientes métodos de aprendizaje de máquina (tradicionales): SVM, Naïve Bayes, Decision Tree, Random Forest para clasificar un conjunto de oraciones en las categorías mencionadas.

Datos de entrada

• trainData.txt Oraciones de entrenamiento
• trainClasses.txt Categorías de oraciones de entrenamiento
• testData.txt Oraciones de evaluación
• testClasses.txt Categorías de oraciones de evaluación

Requerimientos

• Python y scikit-learn
• Probar diferentes características (grid de entrenamiento):
  • Palabras
  • Lemmas
  • Lemmas y etiquetas POS
  • Unigramas y bigramas
  • Con y sin stops words
• Almacenar reporte de resultados de entrenamiento y evaluación
• Almacenar gráfico de matriz de confusión
• Evaluar con F-score, Precision, Recall, AUC, gráfica de Precision-Recall, gráfica ROC
• Almacenar modelo entrenado en archivo (joblib)
• Afinación de hiperparámetros con método RandomizedGridCV