Դուք ունեք փոքր տվյալների հավաքածու ռուսերեն ֆիլմերի վերանայումներով և դրանց բինար զգացմունքային նշաններով (նշաններ՝ 0 — բացասական, 1 — դրական): Ձեր խնդիրն է 15 րոպեում իրականացնել ամբողջական պայպլայն՝ պարզ տեքստի դասակարգման մոդել ուսուցանելու համար՝ առանց պատրաստի ինկոդերների, ինչպիսիք են BERT-ը, և ցույց տալ ճշգրտությունը (accuracy) տվյալների վրա: reviews = [ "Այս ֆիլմը պարզապես հիանալի է!", "Անհաջող խաղ և ձանձրալի սյուժե:", "Ինձ շատ դուր եկավ յուրաքանչյուր պահը!", "Ամենավատ ֆիլմը, որ տեսել եմ:", "Ավելի լավ աշխատանք ռեժիսորության և հիանալի պատմության:", "Անտանելի ձանձրալի և կանխատեսելի:"] labels = [1, 0, 1, 0, 1, 0]

Для быстрого решения задачи классификации текстов на русском языке без использования готовых энкодеров можно сделать следующий pipeline:

1. Токенизация и простая предобработка (приведение к нижнему регистру, удаление знаков препинания).
2. Векторизация текста с помощью мешка слов (Bag of Words) с помощью sklearn CountVectorizer.
3. Обучение простой модели, например, логистической регрессии.
4. Оценка точности на тех же данных (так как датасет очень маленький).

Пример кода на Python:

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

reviews = [
    "Этот фильм просто потрясающий!",
    "Ужасная игра актёров и скучный сюжет.",
    "Мне очень понравилось каждое мгновение!",
    "Самый худший фильм, который я видел.",
    "Отличная операторская работа и замечательная история.",
    "Невыносимо скучно и предсказуемо."
]
labels = [1, 0, 1, 0, 1, 0]

# Векторизация
vectorizer = CountVectorizer(lowercase=True)
X = vectorizer.fit_transform(reviews)

# Обучение модели
model = LogisticRegression()
model.fit(X, labels)

# Предсказание и оценка
preds = model.predict(X)
accuracy = accuracy_score(labels, preds)
print(f"Accuracy: {accuracy:.2f}")

Такой подход позволит за 15 минут получить базовую модель классификации с приемлемой точностью на маленьком датасете.