检索，组织和分析文本
了解如何：
- 了解与分析非结构化文本相关的Text Explorer约定和定义，包括语料库，文档，术语，短语，DTM（文档术语矩阵），标记化，词干和停用词
了解如何：
- 查找最常用的术语和短语，并确定使用术语或短语的上下文
- 使用术语报告，短语报告和词云
- 应用内置和用户定义的短语
- 交互式自定义，添加或删除停用词
了解如何：
- 查找倾向于同时出现的术语
- 分组并浏览类似文档
- 在文档集合中发现重复出现的主题（主题）
- 从文本中选择重要信息，以便可以在预测模型中使用
- 使用潜在语义分析（SVD），散点图卷须，主题分析（Rotated SVD），每个聚类报告的最高术语和按聚类报告的术语概率
- 保存聚类或潜在类以获取分类预测变量，并保存奇异向量以获取连续预测变量
31+分钟高级掌握JMP文字分析视频回复：检索，组织和分析文本这是相当详尽的！谢谢@brady_brady对于此演示文稿，我们希望就社区中与此主题相关的更多最新帖子进行评论，例如： https://community.jmp.com/t5/Tutorials/Deriving-Sentiments-from-Opinions-or-Product-Choices/ta-p/317476 。
在最后一段视频的最后，列出了以下内容的最后一个子主题：
- 保存聚类或潜在类以获取分类预测变量，并保存奇异向量以获取连续预测变量
我认为在通过连续（例如奇异向量或主题向量）和/或分类预测变量（例如潜在类或聚类数）与“目标Y”响应的模型上启动模型的例子将是有用的。像您可能会使用哪种模型？PLS？普通物流？神经？ （通常用于此类情况的人是哪些？）
最好查看并吸收（欣赏）示例数据集，在这种数据类型下，我们有一个实际有意义且合理度量的Y响应变量，其中大多数是X上的文本信息，也许是一个（希望至少一个）有意义的Y响应。
回复：检索，组织和分析文本你好@帕特里克·朱利亚诺。布雷迪的之一@brady_brady同事Kemal Oflus @kemal_oflus将在一个会议上介绍他对该主题的更新版本。 2021年6月10日掌握JMP使用JMP 16 Pro。这是一个重要的话题，因此，Kemal的目标是满足相对较不熟悉文本分析的人们的基本需求。我正在抄袭他，以便他可以摘要，并在可能的情况下（如果适用于广大受众）提出您的建议。
