349270_ko-KR

liliconcom

JMP® Pro 16(2021-EU-45MP-790)의 감정 분석 및 용어 선택을 통해 텍스트 마이닝 툴킷 확장

수준: 중급

 

Ross Metusalem, SAS JMP 시스템 엔지니어

 

텍스트 마이닝 기술을 사용하면 구조화되지 않은 텍스트 데이터에서 정량적 정보를 추출할 수 있습니다. JMP Pro 16은 텍스트 탐색기의 두 가지 기능인 감정 분석과 용어 선택 기능을 추가하여 텍스트에서 추출할 수 있는 정보를 확장했습니다. 감정 분석은 해당 텍스트의 단어를 감정 전달 용어 및 관련 점수(예: "훌륭함": +90, "끔찍함": -90)로 구성된 사용자 정의 가능한 사전에 매핑하여 텍스트에 표현된 긍정적 또는 부정적 감정의 정도를 정량화합니다. 결과로 얻은 감정 점수는 사람들의 주관적인 감정을 대규모로 평가하고, 객관적인 개념과 관련하여 주관적인 감정을 탐구하고, 추가 분석을 강화하는 데 사용될 수 있습니다. 용어 선택은 텍스트 탐색기 내부에서 호출되는 JMP Pro의 일반화 회귀 플랫폼에서 정규화된 회귀 기능을 적용하여 반응 변수를 가장 강력하게 예측하는 용어를 자동으로 찾습니다. 용어 선택은 중요한 결과 측정과 연관된 구조화되지 않은 텍스트에서 특정 용어의 발생 사이의 관계를 쉽게 식별하는 데 유용합니다.

이 프레젠테이션에서는 감정 분석 및 용어 선택 기술에 대한 개요를 제공하고 실제 데이터에 대한 적용을 시연하며 각 기술을 효과적으로 사용하기 위한 몇 가지 모범 사례를 공유합니다.

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
로스 메투살렘	안녕하세요 여러분. JMP가 JMP Pro 16에서 텍스트 마이닝 툴킷을 어떻게 확장하고 있는지 알아보는 데 시간을 내주셔서 감사합니다.
	감정 분석 및 용어 선택.
	저는 미국 남동부의 JMP 시스템 엔지니어인 Ross Metusalem입니다. 저는 여러분에게 이 두 가지 새로운 분석을 미리 보여주고, 작동 방식에 대해 조금 설명하고, 이를 사용하기 위한 몇 가지 모범 사례를 제공하려고 합니다.
	따라서 이 두 가지 분석 기술은 모두 Text Explorer에서 제공됩니다. 익숙하지 않은 분들을 위해 설명하자면 JMP의
	우리가 자유 또는 구조화되지 않은 텍스트라고 부르는 것을 분석하기 위한 도구, 즉 자연어 텍스트입니다.
	그리고 이것은 우리가 텍스트 마이닝 도구라고 부르는 것입니다. 자유 텍스트에서 정량적 정보를 추출하여 우리가 할 수 있는 도구입니다.
	다른 유형의 통계 또는 분석 도구를 사용하여 자유 텍스트에서 통찰력을 얻거나 해당 텍스트를 다른 분석의 입력으로 사용할 수도 있습니다.
	이제 JMP Pro 16의 텍스트 탐색기에 제공되는 두 가지 새로운 텍스트 마이닝 기술을 살펴보고 감정 분석부터 시작하겠습니다.
	핵심적인 감정 분석은 텍스트가 감정적으로 긍정적인지 부정적인지에 대한 질문에 답합니다.
	그리고 미국 연방준비은행이 반복적으로 발표하는 베이지북(Beige Book)에 대한 정서 분석을 수행해 보겠습니다.
	이제 JMP Discovery Europe에서 미국 사례를 사용한 점에 대해 사과드립니다. 하지만 베이지색 책은 감정 분석이 무엇인지에 대한 훌륭한 데모를 제공합니다.
	따라서 이것은 월간 간행물로, 국가 수준의 보고서와 12개 지역 수준의 보고서를 포함하고 있으며 해당 지역의 경제 상황을 요약하고 이 모든 것은 인터뷰 및 설문 조사와 같은 질적 정보를 기반으로 합니다.
	그리고 미국 정책 입안자들은 경제 정책을 추진하기 위해 전통적인 경제 지표의 정량적 정보와 함께 베이지북의 질적 정보를 사용할 수 있습니다.
	그래서 여러분은 지금 우리가 정서나 감정에 대해 이야기하고 있다고 생각할 수도 있습니다. 경제 보고서에 감정이 많이 담길 것이라고 기대하는지는 모르겠지만, 베이지북 보고서와 많은 언어에는 실제로 감정을 전달하거나 전달할 수 있는 단어가 포함되어 있습니다.
	그럼 한 보고서에서 발췌한 내용을 살펴보겠습니다. 다음은 새로운 감정 분석 플랫폼의 스크린샷입니다.
	일부 단어가 강조표시되어 있는 것을 볼 수 있으며, 이를 감정 용어라고 합니다.
	우리가 주장하는 용어에는 감정적인 내용이 포함되어 있습니다. 예를 들어, 맨 위에는 "반면에 컴퓨터 판매는 심각한 침체를 겪었습니다."
	여기서 "심각하게 우울함"은 보라색으로 강조 표시되어 부정적인 감정을 전달하는 것으로 간주한다는 것을 나타냅니다. 누군가가 컴퓨터 판매를 "심각하게 우울함"으로 묘사하면 이는 우리가 그것을 확실히 나쁜 것으로 해석한다는 의미로 들리는 것 같습니다. .
	아래를 내려다보면 "개선" 또는 "호의적"과 같은 몇 가지 긍정적인 감정 용어가 강조 표시된 주황색으로 표시됩니다. 그래서 우리는 긍정적이거나 부정적인 감정을 가지고 있다고 생각하는 단어를 찾을 수 있습니다
	보라색은 부정적, 주황색은 긍정적이고 일부 감정 분석은 사물을 해당 수준으로 유지하므로 이진 구분, 긍정적인 텍스트 또는 부정적인 텍스트일 뿐입니다.
	감정 분석을 수행하는 추가 방법이 있으며, 특히
	여러 가지 방법으로 무언가가 긍정적인지 부정적인지뿐만 아니라 긍정성 또는 부정성의 정도를 정량화하려고 합니다. 따라서 이 다른 예를 고려하면 "판매 부진"에 대한 보고서를 볼 수 있는 여기 하단에 주의를 집중하겠습니다.
	그리고 저는 이를 우리가 "컴퓨터 판매가 심각하게 침체되고 있다"고 말한 것과 비교해 보겠습니다.
	따라서 이 두 가지 모두 부정적인 표현이지만, "심각하게 우울하다"는 표현이 "가난하다"라는 표현보다 훨씬 더 부정적으로 들린다는 점에는 우리 모두 동의할 것입니다.
	따라서 우리는 감정이 긍정적인지 부정적으로 표현되는지 뿐만 아니라 그것이 얼마나 긍정적인지 부정적인지 파악하고 싶습니다.
	텍스트 탐색기가 그렇습니다. 그러면 어떻게 합니까? 음, 일부 감정 용어 및 관련 점수를 기반으로 하는 어휘 감정 분석이라는 기술을 사용합니다.
	따라서 지금 우리가 보고 있는 것은 용어와 해당 점수가 포함된 감정 사전이라고 부르는 것에서 발췌한 것입니다.
	예를 들어, "환상적"이라는 용어의 점수는 긍정적인 90점이고 맨 아래에 있는 "엄청난"이라는 용어의 점수는 -75입니다.
	그래서 우리가 하는 일은 감정적인 내용을 담고 있다고 믿는 용어와 그것이 임의의 척도(여기서는 -100에서 100)에 따라 긍정적이거나 부정적인 정도를 지정하는 것입니다.
	그런 다음 모든 문서에서 이러한 용어를 찾아 이를 사용하여 해당 문서가 전반적으로 얼마나 긍정적인지 부정적인지 점수를 매길 수 있습니다.
	"심각하게 우울함"이라는 예를 다시 생각해보면, 그 단어는 "심각하게"이고 "우울함"이라는 단어를 취하며 우리가 부르는 것은 그것을 더욱 심화시킵니다.
	이는 표현된 감정의 강화자 또는 승수이므로 강화자 사전과 감정 용어로 표현된 감정에 대해 강화자가 수행하는 작업도 있습니다.
	예를 들어, "믿을 수 없을 정도로"는 감정에 1.4배를 곱한다고 말하고, "작은"은 감정에 0.3을 곱하므로 실제로 표현된 감정을 약간 약화시킵니다.
	이제 마지막으로 우리가 고려하고 싶은 또 다른 유형의 단어가 있는데 그것은 부정어입니다. "아니오"와 "아님"과 같은 것입니다. 우리는 이것을 기본적으로 극성 반전으로 취급합니다. 그래서
	"환상적이지 않음"은 "환상적"이라는 점수에 -1을 곱하는 것입니다.
	이것이 바로 어휘적 감정 분석이라고 불리는 감정 분석을 수행하는 일반적인 방법입니다. 그래서 우리가 하는 일은 우리가 찾은 감정 용어를 취하고 여기에 관련된 강화 인자를 곱하는 것입니다.
	또는 부정자 그리고 각 문서에 대해 나타나는 개별 용어에 대한 모든 감정 점수가 있으면 모든 항목의 평균을 계산하여 해당 문서에 대한 감정 점수를 얻습니다.
	그리고 JMP는 이러한 점수를 여러 가지 유용한 방법으로 우리에게 반환합니다. 이것은 감정 분석 도구의 스크린샷입니다. 잠시 후에 이것을 사용해 보겠습니다.
	하지만 무엇보다도 모든 문서에 걸쳐 감정 점수 분포를 제공한다는 것을 알 수 있습니다. 모든 감정 용어 목록과 발생 빈도를 제공합니다.
	그리고 앞으로 살펴보겠지만 감성 점수를 내보내 그래프나 분석에 사용할 수 있는 기능도 있습니다.
	그래서 저는 실제로 초기 첫 번째 단계로 보기 위해 여기에 몇 개의 그래프를 만들었습니다. 베이지 북 보고서의 정서는 실제로 우리가 생각하는 방식으로 경제 사건과 일치합니까? 알다시피, 우리가 이 말에 정말로 타당성을 갖고 있나요?
	일종의 경제지표로서의 심리? 그리고 대답은 아마도 그렇습니다.
	여기에 Graph Builder에서 만든 플롯이 있습니다. 이는 시간에 따른 감정이므로 모든 작은 회색 점은 개별 보고서입니다.
	파란색의 더 부드러운 종류는 시간에 따른 감정의 추세를 보여줍니다. 최소한 우리의 채점 방식에 따르면 검은색 선은 0에 위치하여 중립적 감정을 나타냅니다.
	빨간색 영역은
	연방준비제도이사회(FRB)가 공식적으로 나열한 경기 침체 시기.
	따라서 심리가 바닥을 치고 있는 것처럼 보이거나 불황 주변에 최저점이 있다는 것을 알 수 있을 것입니다. 그러나 또 다른 사실은
	실제로 각 경기 침체 이전에 우리는 몇 달 또는 어떤 경우에는 심지어 몇 년 전에 정서가 하락하는 것을 볼 수 있다는 것입니다. 그리고 우리는 이러한 큰 감정 하락을 보지 못합니다
	경기 침체가 뒤따르지 않는 상황에서. 따라서 경기침체의 주요 지표로서 베이지북(Beige Book) 정서에는 어느 정도 타당성이 있을 수 있습니다.
	지리적으로 보면 의미가 있는 것도 보입니다. 이는 분석의 한 예일 뿐입니다. 우리는 12의 정서를보고 있습니다
	1999년부터 2000년, 2001년까지의 기간에 따른 연방준비은행 지역. 이것은 일반적으로 Dotcom Bust라고 불리는 시기였습니다.
	엄청난 양의 기술 회사와 온라인 비즈니스가 생겨나고 결국 그 중 많은 회사가 파산했고 꽤 심각한 경제적 결과가 발생했습니다.
	99년부터 2000년까지의 정서는 성장하고 있으며 실제로 정서는 상당히 강하게 성장하고 있는 것으로 보입니다.
	이들 회사 중 다수가 본사를 두고 있는 샌프란시스코 연방준비은행 지구에 있습니다. 그리고 2001년 파산 이후 가장 큰 하락은 여기에서 빨간색으로 표시된 부정적인 감정으로 이어졌고 샌프란시스코 지역에서 다시 발생했습니다.
	따라서 이러한 Beige Book 감정 점수에 대한 간단한 그래픽 확인만으로도 일부 경제 이벤트를 추적하고 예측할 수 있는 능력 측면에서 실제 타당성이 있음을 알 수 있습니다. 물론 후자의 경우 더 조사해야 합니다. 주의하여.
	그러나 이는 감정 분석의 잠재적인 사용 사례 중 하나일 뿐이며 그 외에도 훨씬 더 많은 사례가 있습니다.
	현재 사용되고 있는 가장 큰 응용 분야 중 하나는 소비자 조사입니다.
	긍정적이거나 부정적인 의견이나 반응을 유발하는 요인을 파악하기 위한 일부 소비자 설문조사 응답.
	그러나 감정 분석은 예를 들어 제품 리뷰나 보증 청구를 분석하여 고객에게 강한 감정적 반응을 이끌어내는 제품 기능이나 문제를 찾는 데 도움이 될 수 있는 제품 개선에도 사용될 수 있습니다.
	예를 들어 고객 지원을 살펴보면 콜센터나 채팅...채팅 기록을 분석하여
	고객을 만족시키거나 불만족하게 만드는 지원 관행을 찾아보세요. 공공 정책일 수도 있고, 공개 논평을 분석하여 제안된 정책이나 기존 정책에 대한 대중의 반응을 측정합니다.
	이는 감정 분석을 적용할 수 있는 몇 가지 영역에 불과합니다. 감정을 전달하고 그 감정이 유익할 수 있는 텍스트가 있는 모든 곳에 실제로 적용할 수 있습니다.
	이것이 제가 미리 말하고 싶은 전부입니다. 이제 JMP에서 어떻게 작동하는지 잠시 안내해 드리고자 합니다. 이제 JMP로 넘어가겠습니다.
	여기에 베이지북 데이터가 있습니다. 하단을 보면 여기에 5,000개가 조금 넘는 보고서가 있는 것을 볼 수 있습니다. 각 보고서의 날짜는 다음과 같습니다.
	1972년 5월 2020년 10월 12개 선거구 중 어느 지역 출신인지, 그리고 보고서 내용. 그리고 이 보고서를 보면
	경제 상황이 좋은지 나쁜지 등을 간단히 설명하는 것이 아니라 어느 정도 세부적인 내용을 알 수 있습니다.
	이제 이러한 데이터를 자세히 살펴보기 전에 베이지북을 분석하는 아이디어를 제안하고 실제로 데이터를 가져와 JMP로 가져온 누군가에게 감사하다는 말씀을 전하고 싶습니다.
	형식을 분석할 준비가 되었습니다. 그리고 Xan Gregg에게 감사드립니다. Xan은 JMP 개발 팀의 이사이자 Graph Builder의 창시자입니다. 도움을 주신 Xan에게 감사드립니다.
	좋습니다. 그러면 이 모든 보고서에서 긍정적인 감정과 부정적인 감정의 정도를 정량화해 보겠습니다. 분석 메뉴에서 텍스트 탐색기를 사용하겠습니다.
	여기에 시작 창이 있습니다. 텍스트 데이터를 가져와서 텍스트 열 역할에 넣겠습니다. 시작하기 전에 강조할 몇 가지 사항이 있습니다.
	텍스트 탐색기는 여러 언어를 지원하지만 현재 감정 분석은 영어로만 제공되며, 제가 주목하고 싶은 또 다른 사항은 바로 여기에 있습니다.
	따라서 텍스트 분석을 수행하는 사람들은 형태소 분석이 무엇인지 잘 알고 있을 것입니다. 그러나 익숙하지 않은 사람들을 위한 형태소 분석은 다중 붕괴를 수행하는 프로세스입니다.
	글쎄요, 기술적이지 않게 유지하려면...같은 단어의 여러 버전을 함께 사용하세요. "강하다", "더 강하다", "가장 강하다"를 선택하세요. 그럼 이것들은 3개야
	동일한 단어 "강함"의 버전과 일부 텍스트 마이닝 기술에서는 실제로 모든 단어를 하나의 용어로 결합하고 개념적으로 동일하기 때문에 모두 "강함"을 의미한다고 말하고 싶을 것입니다.
	실제로 여기서 어간을 생략하겠습니다. 왜냐하면... "가장 강한"을 선택하기 때문입니다.
	"더 강하다"는 자신이 강하다는 것을 알지만 여전히 더 강해질 여지가 있다는 뜻입니다.
	따라서 "가장 강한"은 "더 강한"보다 더 높은 감정 점수를 받아야 하며, 만약 어간을 짚는다면 그 단어들 사이의 구별을 잃게 될 것입니다. 그 차별점을 잃고 싶지 않기 때문에 서로 다른 감성 점수를 주고 싶습니다. 저는 계속 여기서 물러나겠습니다.
	확인을 클릭하겠습니다.
	이제 JMP는 텍스트를 토큰화할 것입니다. 즉, 텍스트를 모든 개별 단어로 나눈 다음 각 단어가 얼마나 자주 나타나는지 계산합니다.
	여기에는 모든 용어 목록과 그 빈도가 나와 있습니다. 따라서 "판매"는 46,000회 이상 발생하며 여기에 문구 목록도 있습니다. 그래서 문구는
	많이 나타나는 두 개 이상의 단어로 구성된 시퀀스이며 때로는 실제로 이를 용어로 계산하고 싶을 때도 있습니다.
	분석. 감정 분석을 위해 문구 목록을 검토하고 "부동산"을 추가한다고 가정해 보겠습니다. 이는 두 단어로 구성되어 있지만 실제로는 부동산을 의미합니다.
	그리고 나는 그것을 덧붙일 수 있습니다. 이제 일반적으로 텍스트 분석에서는 불용어(stop word)라는 단어도 추가합니다.
	이는 분석의 맥락에서 실제로 의미를 전달하지 않으므로 제외하고 싶은 단어입니다. "지구"를 선택하세요. 이런 일이...또는 베이지북에서는 사용됩니다.
	"지구"라는 단어를 자주 사용하는데, 그냥 "리치먼드 지역에서 나온 이 보고서"라고 말하면 별로 의미가 없습니다.
	하지만 저는 실제로 여기서 불용어를 언급하지 않을 것입니다. 왜냐하면 기억하신다면,
	슬라이드에서 돌아와서 우리는 모든 감정 점수가 사전을 기반으로 하며 여기서 감정 단어를 선택하고 어떤 점수를 받아야 하는지 말했습니다.
	그리고 "district"를 제외하면 본질적으로 0점을 얻게 되고 감정 점수에 영향을 주지 않으므로 불용 단어로 선언할 필요가 없습니다.
	준비가 되면 여기 빨간색 삼각형 아래에 텍스트나 감정 분석을 호출합니다.
	JMP가 지금 하고 있는 일은 감정 용어 등을 선언하지 않았기 때문에 내장된 감정 사전을 사용하여 모든 문서의 점수를 매기는 것입니다. 여기서 우리는 점수를 얻습니다.
	이제 이러한 결과를 탐색하기 전에 감정 사전을 사용자 정의하여 단어와 해당 점수를 포함하는 감정을 만들어야 합니다. 그 이유는 다양한 도메인에서
	아마도 서로 다른 사람들이 텍스트를 생성할 때 특정 단어는 서로 다른 수준의 감정을 지니거나 어떤 경우에는 감정을 지니지만 다른 경우에는 그렇지 않을 것입니다. 그래서 우리는
	지금 우리가 분석하고 있는 언어로 전달되는 정서를 정확하게 포착한 느낌이 들도록 정말 세심하고 철저하게 정서 사전을 만듭니다.
	그래서 제가 말했듯이 JMP는 내장된 사전을 사용하는데 그 수가 꽤 적습니다. 여기 보시면 이모티콘이 있습니다.
	이 작은 스마일리 같은 것들이 있지만 -90의 "심연"과 같은 언어를 포함하는 매우 명확한 감정이 있습니다.
	이제 누군가가 "심연"이라는 단어를 부정적인 의미로 사용하지 않고 사용하는 경우는 없을 것입니다. 그래서 우리는 그것에 대해 꽤 기분이 좋습니다. 하지만 아시다시피 이는 그다지 긴 목록이 아니므로 여기에 몇 가지 용어를 추가하고 싶을 수도 있습니다.
	그럼 우리가 어떻게 하는지 살펴보겠습니다. 제가 추천할 수 있는 한 가지는 데이터를 살펴보는 것입니다. 당신이 가지고 있는 문서 중 일부를 읽고 감정을 나타낼 수 있다고 생각되는 단어를 찾으십시오.
	우리는 실제로 문서를 정독하고 문서에서 감정 용어를 직접 추가할 수 있는 도구를 가지고 있습니다. 여기에 문서 목록이 있습니다. 문서 1이 강조 표시된 다음 문서 1이 아래에 표시되는 것을 볼 수 있습니다. 다른 문서를 선택하여 볼 수 있었습니다.
	이제 문서 1을 보면 즉시 "비관주의" 및 "낙관주의"와 같은 몇 가지 잠재적인 감정 용어를 발견할 수 있습니다.
	이제 이러한 항목이 강조표시되지 않은 것을 볼 수 있습니다. 이는 실제로 표준 감정 사전에 포함되지 않습니다.
	그리고 여러분이 발견하게 될 많은 명사는 실제로 그렇지 않습니다. 그 이유는 "비관주의" 또는 "낙관주의"와 같은 명사는 기본적으로 그 존재 또는 부재를 암시하는 방식으로 설명될 수 있기 때문입니다. 그래서 저는 "비관주의가 감소하고 있다"고 말할 수 있습니다.
	"비관론이 뚜렷하게 부족합니다." "비관론은 더 이상 보고되지 않습니다."
	그리고 그러한 경우에 우리는 "비관주의"가 부정적인 것이라고 말하지 않을 것입니다. 그것은… 따라서 단어를 감정 사전에 추가하기 전에 문맥에 따라 단어가 실제로 어떻게 사용되는지 주의 깊게 생각하고 생각하는 것입니다.
	예를 들어 여기에서 용어 목록으로 돌아갈 수 있습니다. 필터만 보여드릴게요
	"비관주의"를 찾은 다음 텍스트를 보여주고 그것이 어떻게 사용되는지 살펴보세요. 그래서 우리는 이 첫 번째 예에서 볼 수 있습니다. "우리 감독들의 분위기는 비관주의에서 낙관주의까지 다양합니다."
	그리고 다음은
	"사적인 대화는 깊은 비관적 분위기를 조성합니다." 실제로 읽어보면 이게 일반적인 용법인데 실제로 베이지북에서는 제가 두려워할 만큼 비관주의라는 단어를 사용하지 않는 것 같아요.
	"낙관론이 증가하고 있습니다."
	그래서 저는 실제로 여기에 "비관주의"를 추가하는 것이 괜찮다고 생각합니다. 따라서 이를 우리의 감정 사전에 추가해 보겠습니다.
	그래서 그 위로 마우스를 가져가면
	이를 통해 수행할 작업에 대한 몇 가지 옵션이 표시되는 것을 볼 수 있습니다. 그래서 여기서는 -60점을 줄 수 있습니다.
	그러면 이제 해당 점수가 사전에 추가되고 JMP에서 감정 점수가 업데이트됩니다. 즉, 이제 "비관주의"라는 단어를 찾고 이를 찾은 모든 문서 점수를 조정합니다.
	이제 다시 돌아가서 감정 용어를 더 자세히 살펴보겠습니다. 아래로 스크롤하면 '비관론'이 표시됩니다.
	제가 방금 부여한 점수는 -60점입니다. 이제 실제로 원할 수도 있습니다..."비관적"은 기본적으로 점수가 -50이므로 일관성을 유지하기 위해 여기에 -50을 입력할 수도 있습니다.
	할 수는 있지만 그렇게 하지 않을 것입니다. 단지 다른 업데이트를 실행하지 않기 위해서입니다.
	또한 바로 여기에서 가능한 감정 용어 목록을 확인할 수 있습니다. 따라서 JMP에서 감정을 담고 있는 것으로 식별한 용어이므로 사전에 포함할지 살펴보고 고려해 보는 것이 좋습니다.
	예를 들어 여기 "strong"이라는 단어가 있는데 오른쪽에 있는 문서 텍스트 중 일부를 보면 '좋아, 이건 분명히 긍정적인 것'이라고 말할 수 있습니다. 그리고 이러한 예를 많이 살펴보면 다음과 같은 사실이 눈에 띕니다.
	"강하다"라는 단어와 이에 상응하는 "약하다"라는 단어는 경제학자들이 현재 경제에 대해 좋은 점과 나쁜 점에 대해 이야기할 때 많이 사용하는 단어입니다.
	그래서 나는 그것들을 추가할 수도 있고, 거기에 있는 버튼에 있는 양수 60을 클릭하여 여기에 "강함"을 추가할 수도 있습니다. 다시 한번 말씀드리지만, 지금은 감정 분석을 빠르게 진행하기 위해 그렇게 하지 않겠습니다.
	따라서 아래 텍스트와 마찬가지로 여기에서 감정 용어 목록을 검토하여 좋은 후보를 선택할 수 있습니다.
	빨간색 삼각형 아래에서 감정 용어를 보다 직접적으로 관리할 수도 있습니다.
	문구 관리 및 불용어 관리와 같이 텍스트 탐색기 사용자에게 익숙할 수 있는 용어 관리 목록입니다.
	모든 기본 제공 용어 외에 이 특정 분석에 로컬인 새로운 용어 하나를 추가한 것을 볼 수 있습니다. 물론 예외 중 일부를 실제로 포함하지 않으려면 예외를 선언할 수도 있습니다.
	그리고 중요한 것은 감정 사전도 가져오고 내보낼 수 있다는 것입니다. 감정 용어를 선언하는 또 다른 방법은 해당 분야 전문가와 상담하는 것입니다. 알잖아,
	경제학자들은 아마도 그들이 분명하게 전달할 것이라고 기대하는 단어의 유형에 대해 말할 것이 아주 많을 것입니다.
	이 보고서에는 긍정적이거나 부정적인 감정이 있습니다. 그리고 우리가 그들과 이야기할 수 있다면 그들이 그것에 대해 무엇을 말해야 하는지 알고 싶을 것이고, 예를 들어 탭으로 구분된 파일에서 사전을 파생시킨 다음 여기로 가져올 수도 있습니다.
	그리고 물론 일단 마음에 드는 사전을 만들면 나중에 다시 적용하기 쉽도록 사전을 내보내고 저장해야 합니다.
	이제 감정 사전을 실제로 관리하는 방법에 대해 조금 살펴보겠습니다. 다음 사항도 중요할 것입니다.
	강화 용어와 부정 용어를 관리하세요. 여기서도 점수는 볼 수 없습니다. 왜냐하면 이것은 단지 극성 반전이기 때문입니다.
	실제로 어떻게 보이는지 좀 더 보여드리기 위해...여기서 감정을 살펴보겠습니다.
	JMP는 이러한 감정 용어 앞에 'not'이라는 단어를 찾아 실제로 적절한 점수를 적용했습니다. 따라서 맨 위의 "허용되지 않음"은 -25점을 얻습니다.
	그래서 저는 여러분의 주의를 끌기 위해 이러한 부정자와 강화자가 JMP에 의해 자동으로 적용된다는 사실을 보여 드리겠습니다.
	어쨌든 분석을 설정하는 방법에 대해 이야기하는 것에서 실제로 결과를 보는 것으로 넘어가겠습니다. 그래서 내가 올려볼게
	이미 완료된 분석 버전, 즉 이미 감정 사전을 선별했으며, 우리가 얻은 결과를 실제로 해석하기 시작할 수 있습니다.
	여기에 높은 수준의 요약이 있으므로 부정적인 문서보다 긍정적인 문서가 더 많습니다. 앞서 논의한 것처럼 각각 몇 개인지 알 수 있습니다. 실제로 왼쪽 테이블 맨 아래에는 감정이 전혀 표현되지 않은 문서가 하나 있습니다.
	"강한" 발생 횟수는 14,000회, "약한" 발생 횟수는 약 4,500회
	그리고 이것들을 개수나 점수로 보고, 가장 부정적인 것과 긍정적인 것을 보고,
	맥락에서 그것들을 보는 것조차 그 자체로 꽤 유익할 수 있습니다. 특히 소비자 조사와 같은 분야에서 사람들이 언제 긍정적인 감정을 느끼거나 긍정적인 표현을 하는지 알고 싶다면 말이죠.
	우리 브랜드나 우리가 가지고 있는 일부 제품에 대해, 그들이 어떤 유형의 언어를 사용하고 있는지, 아마도 마케팅 활동에 정보를 줄 수 있을 것입니다. 이 감정 용어 목록은 그러한 점에서 매우 유익할 수 있습니다.
	조작,
	관광, 투자. 때로는 특히 하위 도메인 중 하나, 즉 기능이라고 부르는 것에 집중하고 싶을 때도 있습니다.
	감정 분석에서 이 기능 탭으로 이동하면 검색을 클릭하겠습니다. JMP는 감정 용어와 함께 일반적으로 나타나는 몇 가지 단어를 찾아 해당 기능과 관련된 감정을 자세히 알아볼 것인지 묻습니다.
	예를 들어 "판매"를 생각해보십시오. '매출이 부진한 것으로 보고됐다', '매출이 약세로 보고됐다', '매출이 양호하게 유지되고 있는 것으로 보고됐다' 등을 확인할 수 있다.
	따라서 선택된 기능에 점수를 매기면 이제 JMP는 더 큰 보고서에서 "판매"에 대한 언급과 관련된 감정 점수만 제공합니다. 이는 분석을 구체화하거나 매우 잘 집중하는 데 도움이 될 것입니다. 정의된 하위 도메인.
	그리고 그것은 특히 중요합니다.
	우리가 분석하고 있는 언어의 도메인이 그다지 제한적이지 않은 경우가 있을 수 있습니다. 예를 들어,
	제품 리뷰. 당신은 사람들이 제품에 대해 얼마나 긍정적이거나 부정적인 생각을 하는지에 관심이 있습니다. 그러나 그들은 또한 배송에 관해 이야기할 수도 있고 배송에 대해 너무 만족하지 않더라도 반드시 상관할 필요는 없습니다. 주로 배송이 당신의 통제 범위를 벗어나기 때문입니다. .
	해당 배송에 대해 언급하는 많은 리뷰를 포함하고 싶지는 않을 것입니다. 따라서 분석 영역을 고려하고 이를 적절하게 제한하는 것이 중요하며 여기의 기능 찾기는 이를 수행하는 한 가지 방법입니다.
	이제 제가 "판매"에 대해 점수를 매겼으므로 긍정적인 문서와 부정적인 문서의 분포가 매우 다르다는 것을 알 수 있습니다. 감정 점수가 없는 문서가 더 많습니다.
	단순히 판매에 대해 이야기하지 않거나 감정적 언어를 사용하여 논의하지 마십시오. 특히 판매를 포착하는 다른 감정 용어 목록이 있습니다.
	이것을 제거하겠습니다.
	제가 깜빡 잊고 언급하지 못한 점 중 하나를 간략하게 언급했는데, 우리가 살펴본 전체 문서 점수가 어떻게 계산되는지인데, 이 점수는 모든 감정 용어의 평균이라고 말씀드렸습니다.
	특정 문서에서 발생한 일입니다. 그럼 문서 1을 살펴보겠습니다. 나는 그것을 당신에게 보여주고 싶습니다.
	이 점수(예: -20)가 어디에서 나오는지 궁금하신 경우 마우스를 바로 위로 가져가시면 나타나는 모든 감정 용어 목록이 표시됩니다.
	보시다시피 여기에는 그 중 16개가 있습니다. 맨 아래에 있는 "실제 밝은 지점"은 모두 +78이었고, 나누면... 모든 점수를 더합니다. 78로 나누세요...
	또는 16으로 나누면 죄송합니다. 그러면 평균 감정은 -20이 됩니다. 그리고 이는 종합점수를 제공하는 두 가지 방법 중 하나입니다. 또 다른 하나는 최소 최대 점수이므로 최소값과 최대값의 차이는 다음과 같습니다.
	글에 표현된 감정.
	이제 우리는 이 보고서만 봐도 많은 정보를 얻을 수 있습니다. 가장 일반적인 용어인 감정 점수도 마찬가지입니다.
	하지만 종종 우리는 그 감정을 다른 방식으로 사용하고 싶어합니다.
	슬라이드에서 했던 것처럼 그래픽으로 살펴보세요. 따라서 분석의 해당 부분을 수행할 때가 되면 여기 빨간색 삼각형으로 가십시오.
	문서 점수를 저장합니다. 그리고 이러한 점수는 데이터 테이블에 다시 저장되므로 원하는 대로 추가 분석에 입력하거나 그래프로 표시할 수 있습니다.
	JMP Pro 16의 텍스트 탐색기에 제공되는 감정 분석에 대한 미리보기입니다. 중요한 아이디어는 감정 분석이 감정 사전을 사용한다는 것입니다.
	각 문서의 긍정적이고 부정적인 감정 내용에 해당하는 점수를 제공하도록 설정한 다음 거기에서 해당 정보를 유용한 방식으로 사용할 수 있습니다.
	이제 감정 분석은 뒤로 하고 슬라이드로 돌아가 곧 텍스트 탐색기에 추가될 다른 기술에 대해 이야기하겠습니다.
	그리고 그것은 용어 선택입니다. 용어 선택은 다른 질문에 답합니다. 즉, 어떤 용어가 내가 관심을 갖는 일부 중요한 변수 또는 변수와 가장 밀접하게 연관되어 있습니까?
	우리는 베이지색 책을 계속 사용할 것입니다.
	우리는 어떤 단어가 경기 침체와 통계적으로 연관되어 있는지 물어볼 것입니다. 여기 그래프에는 시간이 지남에 따라 백분율 변화가 있습니다.
	분기별 GDP(국내총생산), 파란색은 경제성장, 빨간색은 경기 위축을 나타냅니다. 그리고 우리는 궁금해 할 수도 있습니다.
	베이지색 책에 나오는 용어가 이러한 경기 침체 기간과 통계적으로 연관되어 있을 수 있습니까? 예를 들어, 그 중 몇 가지가 바로 여기에 있습니다.
	아시다시피, 베이지북의 특정 용어를 경기 침체 기간과 연관시키려는 이유는 무엇입니까?
	글쎄요, 용어 목록을 얻는 것 자체가 잠재적으로 유익할 수 있습니다. 알다시피, 잠재적으로 미묘한 것을 발견할 수도 있어요
	내가 인지하지 못하거나 정량적 데이터로 쉽게 포착할 수 없는 경기 침체의 동인이나 영향.
	추가 분석을 위해 몇 가지 단어를 찾을 수도 있습니다. 어쩌면...찾을지도 몰라
	잠재적인 감정 용어, 특히 경제 상황이 좋지 않을 때 사용되는 일부 용어는 제가 감정 분석을 할 때 처음으로 놓쳤던 것입니다.
	아니면 경기 침체와 매우 밀접하게 연관되어 있는 단어를 찾아 예측 모델에 사용하여 미래에 경기 침체가 언제 일어날지 알아낼 수도 있을 것입니다.
	따라서 어떤 단어가 경기 침체와 가장 밀접하게 연관되어 있는지 알고 싶은 데에는 몇 가지 다른 이유가 있습니다.
	그렇다면 JMP에서는 이것이 어떻게 작동할까요? 글쎄, 우리는 기본적으로 결과 변수가 우리가 관심을 갖는 변수인 경기 침체이고 입력이 모두 다른 단어인 회귀 모델을 구축합니다.
	모델에 입력된 데이터는 문서 용어 행렬의 형태를 취하며, 각 행은 다음에 해당합니다.
	하나의 문서 또는 하나의 베이지북 보고서를 선택하고 열은 해당 보고서에 나오는 단어를 캡처합니다. 여기에서는 "약함" 열이 강조 표시되어 있으며 "바이너리"라고 표시되어 있습니다.
	1과 0이 포함될 것입니다. 1은 해당 보고서에 "약함"이라는 단어가 포함되어 있음을 나타내고 0은 해당 보고서에 "약함"이라는 단어가 포함되지 않았음을 나타냅니다. 이는 문서에 점수를 매길 수 있는 여러 가지 방법 중 하나이지만 지금은 이 바이너리만 사용하겠습니다.
	그래서 우리는 이 정보를 가져와서 회귀 모델에 입력합니다. 발사 모습은 다음과 같습니다.
	우리는 경기 침체를 Y 변수로 갖고 있으며 그것은 일종의 예 또는 아니오 변수입니다. 그런 다음 모델 효과로 입력된 이진항 예측 변수가 모두 있습니다.
	그런 다음 JMP Pro의 일반화 회귀 도구를 사용하겠습니다.
	모델을 구축하기 위해, 이는 일반화 회귀 또는 GenReg라고 부르는 자동 변수 선택 기술이 포함되어 있기 때문입니다. 그래서 당신이 익숙하다면
	정규화된 회귀에서는 올가미나 탄력망처럼 이야기합니다. 그리고 그게 무슨 뜻인지 모르더라도 괜찮습니다. 아이디어는 자동으로 수행된다는 것입니다.
	어떤 용어가 결과 변수 "경기 침체"와 가장 밀접하게 연관되어 있는지 찾아낸 다음 그것과 연관되어 있지 않다고 생각되는 용어는 0으로 처리됩니다.
	그리고 이를 통해 우리는 "경기 침체" 사이의 관계를 살펴볼 수 있으며 아마도 여러분은 그와 연관될 수 있는 수백, 수천 개의 단어를 알고 있을 것입니다.
	그러면 분석을 실행하면 무엇을 얻게 될까요?
	우리는 모델을 구합니다. 그래서 우리가 여기에 있는 것은 그 모델에 대한 방정식입니다. 너무 걱정하지 마세요. 아이디어는 우리가 말하는 것입니다
	경기 침체의 로그 확률은 우리가 경기 침체에 있을 확률의 함수이고 베이지북이 발행되는 시기는
	베이지북 보고서에 나타날 수 있는 모든 다른 단어.
	그리고 보시다시피, 계수가 1.94인 "팬데믹"이라는 단어의 발생 효과를 볼 수 있습니다.
	이는 베이지북 보고서에 "팬데믹"이라는 단어가 언급되면 "경기 침체" 로그 확률이 1.94배 증가한다는 의미입니다. 그러면 마이너스 1.02배의 "이득"이 표시됩니다. 글쎄요, 베이지북 보고서에서 "이익"이라는 단어를 언급한다면 경기침체 가능성은...
	또는 경기 침체의 로그 확률이 1.02만큼 감소합니다.
	그래서 우리는 "유행병", "연기", "취소", "압류"와 같은 경기 침체 가능성의 증가와 밀접하게 연관된 용어 목록을 꺼냅니다.
	그리고 우리는 경기 침체 가능성 감소와 관련된 용어 목록도 얻습니다. 예를 들어 "이득", "강화", "경쟁" 등이 있습니다.
	우리는 또한 바로 거기에 "제조"를 볼 수 있지만, 상대적으로 작은 계수를 가지고 있습니다. 약 -.2입니다.
	여기서 실제로 알 수 있듯이, 이 분석에서 선택된 모든 용어를 그래픽으로 표현하면 "제조"와 같은 특정 영역이 너무 많이 표시되지 않습니다.
	"관광", "투자" 그리고 그 모든 것. 왜냐하면 우리가 경기 침체에 있든 없든 그런 것들이 항상 이야기되기 때문입니다. 그래서 우리가 실제로 사용되는 단어를 찾고 있는 것은,
	아시다시피, 우리가 우연히 예상하는 것보다 더 자주 경기 침체에 빠질 때 말이죠. 그래서 우리는...예를 들어, 그것은 다음과 같습니다
	"유행병"이 가장 예측 가능합니다. 많은 의미가 있습니다. 우리는 아주 최근까지 전염병에 대해 전혀 이야기하지 않았고 최근에는 경기 침체도 경험했기 때문에 이에 대해 꽤 명확하게 파악했습니다.
	그런 다음 이 두 번째 계층에는 몇 가지 다른 항목이 있으므로 "연기", "취소", "압류", "악화", "비관적"입니다.
	그리고 이 "연기"와 "취소"가 경기 침체와 연관되어 있다는 점은 다소 흥미롭습니다. 경제 활동을 연기하는 것에 대해 정말로 이야기하고 싶은 것이 타당합니다.
	불경기가 일어나고 있을 때, 아니면 적어도 그것은 아마도 믿을 만한 추세일 것입니다. 그것은...그 자체로 통찰력입니다. 사실 나는
	즉, 연준이 경제 활동의 연기 또는 취소를 어떻게 추적하는지 말씀드릴 수는 없지만, 이 분석에서 이러한 용어가 표시된다는 사실은 그것이 아마도 추적할 가치가 있음을 시사합니다.
	좋아요, 이것이 용어 선택입니다. 우리는 실제로 경기 침체와 관련된 멋진 용어 목록을 얻었고 연관성의 상대적인 강도를 볼 수 있습니다. 이제 실제로 JMP에서 어떻게 수행되는지 간략하게 살펴보겠습니다.
	이제 JMP로 돌아가서 약간 다른 데이터 테이블을 불러오겠습니다. 하지만 여전히 베이지북 데이터이지만 이제는 국가 보고서만 있습니다.
	그리고 당시 미국이 경기 침체에 빠졌는지 여부와 관련된 변수가 있습니다. 물론 이러한 데이터에는 자동 상관 관계가 있습니다. 내 말은, 만약 우리가 지난 달에 경기 침체에 빠졌다면, 그렇지 않은 경우보다 이번 달에 경기 침체에 빠질 가능성이 더 높다는 것입니다.
	이는 일반적으로 회귀 기반 분석에서 문제가 될 수 있지만 이는 순전히 탐색적입니다. 우리는 그것에 대해 너무 걱정하지 않습니다.
	따라서 이전에 어떻게 시작되었는지 보았기 때문에 테이블 스크립트에서 텍스트 탐색기를 불러오겠습니다.
	이전에 했던 것처럼 이미 몇 가지 표현을 작성했다는 점에 유의하세요. 또한 여기서는 볼 수 없는 몇 가지 불용어를 추가했습니다. 그러나 원하지 않는 단어는 이 분석에서 반드시 반환됩니다.
	그리고 용어 목록에 있는 작은 점들이 의미하는 형태소 분석을 켰습니다. 예를 들어, "증가"에 대한 이 단어는 실제로 "증가", "증가", "증가"로 축소됩니다.
	그 이유는 이제 저는 이 모든 것을 동일한 개념으로 간주하기 때문입니다. 그리고 그 개념이 경기 침체와 연관되어 있는지 알고 싶습니다.
	용어 선택을 호출하려면 빨간색 삼각형으로 가서 여기에서 선택하겠습니다.
	먼저 제어 창이 나타납니다. 아니면 우리가 관심을 갖는 변수를 선택하는 섹션이라고 해야 할까요. 그게 경기 침체입니다. 목표 수준을 선택하여 경기 침체가 없을 확률이 아닌 경기 침체 가능성의 관점에서 이를 선택합니다.
	일부 모델 설정을 지정할 수 있습니다. GenReg에 익숙하다면 조기 중지를 원하는지, 두 가지 중 하나를 원하는지 선택할 수 있음을 알 수 있습니다.
	변수 선택을 수행하기 위한 처벌, 검증을 수행하려는 통계. 그리고 그 내용이 당신에게 새로운 것이라면 너무 걱정하지 마십시오. 처음에는 기본 설정을 사용하는 것이 좋습니다.
	기억하시겠지만 해당 열에 "약함"에 대한 1과 0이 있다는 점을 기억하시면 가중치가 있습니다. 단어가 문서에 발생했는지 여부만 나타내지만 원하는 것을 선택할 수 있습니다. 그래서
	예를 들어, 빈도는 "약함"이 발생했는지 여부, 발생 횟수가 아닙니다. 그리고 이런 종류의 결과는 결과를 해석하는 방식에 영향을 미칩니다. 지금은 바이너리를 사용하겠습니다.
	하지만 저는 기본적으로 400개가 아닌 1,000개의 가장 빈번한 용어를 확인하고 싶다고 말하고 싶습니다. 이는 436개보다 훨씬 많으며 일반적으로 1,000개의 X가 있는 모델에 적합할 수 없습니다. 하지만 고작 436명
	관찰했지만 덕분에
	일반화 회귀 분석에서 자동 변수 선택은 문제가 되지 않습니다. 따라서 다시 한 번 수천 개의 용어 중 가장 밀접하게 관련되어 있는 용어를 선택하므로 용어 선택이라는 이름이 붙습니다.
	그래서 나는 이것을 실행할 것입니다. JMP가 일반화된 회귀 플랫폼을 호출하여 이러한 결과를 반환한 것을 볼 수 있습니다. 여기에서는 모델에 적합한 일부 정보가 표시됩니다. 예를 들어, 반환된 용어가 37개 있습니다.
	그냥 넘어가도록 할게요. 여기 오른쪽이 정말 귀중한 정보를 찾을 수 있는 곳이기 때문입니다. 이것은 경기 침체와 가장 밀접하게 관련된 용어 목록입니다.
	이제 경기 침체 가능성과 가장 밀접하게 연관되어 있는 항목을 찾기 위해 계수별로 정렬하겠습니다. 다시 한 번 이는 '유행병', '연기', '취소'입니다. 예상하시겠지만 이 시점에서 다음 중 하나를 클릭하면 이 미리보기가 업데이트됩니다.
	또는 아래 텍스트 조각을 통해 실제로 이 단어를 문맥에서 볼 수 있습니다.
	따라서 이 용어 목록 자체는 매우 가치가 있을 수 있습니다. 당신은 이전에 알지 못했던 중요한 특정 용어나 개념에 대해 배울 수 있습니다. 예측 모델에서 이러한 용어를 사용할 수도 있습니다.
	이제 주목해야 할 몇 가지 다른 사항이 있습니다.
	아래에서 볼 수 있듯이 각 개별 문서별로 테이블이 다시 표시되지만 이제 감정 점수 대신 기본적으로 모델의 점수가 표시됩니다. 우리는 각자에게
	그만큼...
	우리가 긍정적인 기여라고 부르는 것은 경기 침체 가능성을 예측하는 긍정적인 계수의 기여입니다. 여기에 부정적인 면이 있습니다.
	그리고 우리는 모델로부터 경기침체 확률을 얻었는데, 여기서는 우리가 실제로 관찰한 것의 71.8%였습니다.
	그리고 우리는 여기서 반드시 예측 모델을 구축하는 것이 아닙니다. 즉, 경기 침체를 예측하기 위해 이 모델을 사용하지 않을 것입니다. 내 말은, 내가 사용할 모든 종류의 경제 지표 변수가 있다는 뜻입니다.
	하지만 이는 기본적으로 모델의 온전성을 확인하는 좋은 방법입니다. 예측 중 일부가 맞는 것처럼 보입니까?
	그렇지 않은 경우 반환되는 조건을 신뢰하지 않을 수 있기 때문입니다. 또한 그러한 판단을 내리기 위한 다른 정보도 많이 있습니다. 내 말은, 여기 위쪽 곡선 아래 면적과 같은 몇 가지 적합한 통계가 있다는 뜻입니다.
	또는 모델을 추가로 평가하기 위한 모든 일반적인 옵션이 포함된 일반화된 회귀 플랫폼으로 이동할 수도 있습니다.
	거기에서 자세히 다루지는 않겠지만, 모든 정보를 사용하여 모델을 평가하고, 원하는 대로 모델을 조정하고, 기분이 좋은 용어 목록을 만들 수 있습니다.
	이제 바로 여기 요약 아래에 모델 목록이 있습니다. 이는 실제로 여러 모델을 실행하고 싶을 수도 있기 때문입니다. 그래서 모델로 돌아가면...아, 실례합니다...우리 모델로 돌아가면
	여기서 설정을 하면 실제로 약간 다른 모델을 실행할 수 있습니다. 예를 들어, BIC가 AICc보다 조금 더 보수적이라는 것을 알고 더 적은 수의 용어를 반환하고 싶거나 900개의 용어를 반환하는 분석을 수행했는데 약간 압도당했을 수도 있습니다.
	따라서 실행을 클릭하고 대신 이를 사용하여 다른 모델을 구축하겠습니다.
	이제 해당 모델이 여기 목록에 추가되었으며, 이러한 모델 간에 전환하여 각 모델에 대한 결과를 확인할 수 있습니다. 이 경우 37개가 아닌 14개의 용어만 반환했으며 아래에서 해당 용어를 평가하겠습니다.
	따라서 여기서 얻을 수 있는 두 가지 큰 결과는 물론 이 용어 목록입니다. 이를 저장하고 싶다면 중요한 용어일 뿐이고 이를 추적하고 싶다면 마우스 오른쪽 버튼을 클릭하여 데이터 테이블로 만드세요. 이제 JMP 테이블이 생겼습니다.
	용어, 계수 및 기타 정보를 포함합니다.
	그리고
	실제로 원하는 것이 원래 데이터 테이블에 다시 기록하여 다른 종류의 분석이나 예측 모델에서 정보를 사용할 수 있는 것이라면,
	용어 선택으로 가서 용어 점수를 문서 용어 매트릭스로 저장하고 싶다고 말하면 됩니다. 데이터 테이블을 여기로 다시 가져오면 이제 제가 해당 용어 매트릭스에 작성한 내용을 볼 수 있습니다.
	선택된 각 용어에 대한 열입니다. 이 경우에는 계수 값으로 채워져 있으며 이제 다음을 사용할 수 있습니다.
	내가 좋아하는 정량적 정보.
	그것은 용어 선택에 관한 것입니다. 여기서도 중요한 점은 내가 관심 있는 변수와 관련된 용어 목록을 찾았으며 해당 계수를 통해 해당 관계가 얼마나 강력한지에 대한 정보까지 얻을 수 있다는 것입니다.
	그럼 이만 마치겠습니다. 우리는 두 가지 기술을 다루었습니다. 방금 용어 선택을 보고 중요한 단어를 찾았습니다. 그 전에 우리는 감정 분석에 대해 검토했습니다.
	텍스트에서 긍정적이거나 부정적인 감정의 정도를 정량화합니다. JMP Pro 16의 텍스트 탐색기에는 두 가지 새로운 텍스트 마이닝 기술이 추가되었습니다. 여러분이 이 제품을 직접 사용하게 되어 매우 기쁘고 피드백을 기다리겠습니다.

정상회담 최고브레이크아웃데이터 탐색예측 모델링답변: JMP® Pro 16(2021-EU-45MP-790)의 감정 분석 및 용어 선택을 통해 텍스트 마이닝 툴킷 확장

이 튜토리얼 Ross의 환상적인 작업입니다. 정말 강력한 플랫폼입니다.@Ross_Metusalem