檢索，組織和分析文本
了解如何：
- 了解與分析非結構化文本相關的Text Explorer約定和定義，包括語料庫，文檔，術語，短語，DTM（文檔術語矩陣），標記化，詞乾和停用詞
了解如何：
- 查找最常用的術語和短語，並確定使用術語或短語的上下文
- 使用術語報告，短語報告和詞云
- 應用內置和用戶定義的短語
- 交互式自定義，添加或刪除停用詞
了解如何：
- 查找傾向於同時出現的術語
- 分組並瀏覽類似文檔
- 在文檔集合中發現重複出現的主題（主題）
- 從文本中選擇重要信息，以便可以在預測模型中使用
- 使用潛在語義分析（SVD），散點圖卷鬚，主題分析（Rotated SVD），每個聚類報告的最高術語和按聚類報告的術語概率
- 保存聚類或潛在類以獲取分類預測變量，並保存奇異向量以獲取連續預測變量
31+分鐘高級掌握JMP文字分析視頻回复：檢索，組織和分析文本這是相當詳盡的！謝謝@brady_brady對於此演示文稿，我們希望就社區中與此主題相關的更多最新帖子進行評論，例如： https://community.jmp.com/t5/Tutorials/Deriving-Sentiments-from-Opinions-or-Product-Choices/ta-p/317476 。
在最後一段視頻的最後，列出了以下內容的最後一個子主題：
- 保存聚類或潛在類以獲取分類預測變量，並保存奇異向量以獲取連續預測變量
我認為在通過連續（例如奇異向量或主題向量）和/或分類預測變量（例如潛在類或聚類數）與“目標Y”響應的模型上啟動模型的例子將是有用的。像您可能會使用哪種模型？PLS？普通物流？神經？ （通常用於此類情況的人是哪些？）
最好查看並吸收（欣賞）示例數據集，在這種數據類型下，我們有一個實際有意義且合理度量的Y響應變量，其中大多數是X上的文本信息，也許是一個（希望至少一個）有意義的Y響應。
回复：檢索，組織和分析文本你好@帕特里克·朱利亞諾。布雷迪的之一@brady_brady同事Kemal Oflus @kemal_oflus將在一個會議上介紹他對該主題的更新版本。 2021年6月10日掌握JMP使用JMP 16 Pro。這是一個重要的話題，因此，Kemal的目標是滿足相對較不熟悉文本分析的人們的基本需求。我正在抄襲他，以便他可以摘要，並在可能的情況下（如果適用於廣大受眾）提出您的建議。
