到目前为止，我们的模型已经封装完了，但还有一个遗留问题，就是在开篇讲到的，我们先做多分类，再做单标签兜底的这个方案，是为了提高模型整体的效果。那这节课，我们就用封装之后的这个模型，再来对测试集做一次预测，看这个组合模型的效果，有没有变好。

代码示例

1、读取文件 

内容不可见，请联系管理员开通权限。
2、分段读取数据 
内容不可见，请联系管理员开通权限。

3、预测标签 

内容不可见，请联系管理员开通权限。

4、对比计算准确率 

内容不可见，请联系管理员开通权限。

5、完整代码 

内容不可见，请联系管理员开通权限。

最终的模型准确率为：0.8095，终于到了0.8以上，但跟之前多标签分类的模型对比，效果只是略有提升。所以我对 CLS_PROB_BAR 参数，进行了进一步的调整，结果如下： 

内容不可见，请联系管理员开通权限。

我们发现阈值调大，模型效果会变好，到一定程度后，又会拐头向下。原因是单标签的模型，只是对多标签判断为空时的一个补充，如果阈值太小，多标签判断为空的情况就少，单标签的补充模型就没有太大的施展空间，但大到一定程度之后，应该判断为多标签的，也判断不出来时，整体准确率就会下降。另外，我们这个数据集，单标签的情况居多，所以，这个阈值可以设得相对大一些。

通过以上比较，我们选择0.9这个阈值，作为最终的参数，当然，在0.7-0.95之间，还有没有更好的效果，大家有兴趣可以自己去尝试。这里只是提供一个思路，大家遇到类似场景的时候，可以参考这个方案，去进一步的调参。

那到目前为止，多标签的改造这个功能，就彻底结束了。下节课开始，给大家补充一个“问题+答案”的情感分析模型，方便在第三阶段做整体的商品问答分析可视化。

本文链接：http://ichenhua.cn/edu/note/569

版权声明：本文为「陈华编程」原创课程讲义，请给与知识创作者起码的尊重，未经许可不得传播或转售！