回复：在JMP®Pro中使用文本挖掘功能为消费者反馈建模（US 2018 109）嗨，想知道您是否可以提供一个小的“数据片段”，以便确保我了解您的过程。 看起来很棒谢谢，吉姆·格雷森（奥古斯塔大学，赫尔学院）
在JMP®Pro中使用文本挖掘功能对消费者反馈进行建模（US 2018 109）级别：中级
百善可乐统计学家ShanKang Qu
王木木，百事可乐公司高级科学家/统计学家
本研究旨在使用监督学习情绪分析来评估客户评论和购买行为。 从消费者对饮料产品的反馈和评论中收集的逐字记录（即文本数据）可分为投诉，赞美和建议等类别。 通过使用JMP Pro创建的文本挖掘模型，我们证明了混合算法实现的可行性，该方法中将手工构建的分类器与从数据中的经验学习相结合。 自动化系统会将算法与累积的逐字记录连接到语音记录的反馈中，并将文档分为三类之一。 该算法可适应新数据和新经验，从而随着时间的推移提高预测质量。 我们的服务人员通过电话，电子邮件，社交媒体，聊天和电子商务，手动关联来自消费者的7,507个文档。 在本演示中，我们将展示如何使用诸如神经网络之类的方法来构建文本挖掘模型。 在混淆矩阵中，我们在训练中实现了6％的误分类率，在验证中实现了11％的误分类率。 通过使用引导森林和名义Logistic模型获得的比率略高。 比较建模结果和逐字记录的原始编码，我们还发现了一些数据输入问题。 对模型进行了训练，以捕获人为错误分类的文档。
爆发预测建模
