Lautsprecher
|
Transkript
|
| Ross Metusalem |
Hallo allerseits, und vielen Dank, dass Sie sich etwas Zeit genommen haben, um zu erfahren, wie JMP sein Text Mining-Toolkit in JMP Pro 16 erweitert |
| |
Stimmungsanalyse und Termauswahl. |
| |
Ich bin Ross Metusalem, ein JMP-Systemingenieur im Südosten der USA, und ich werde Ihnen eine Vorschau auf diese beiden neuen Analysen geben, ein wenig erklären, wie sie funktionieren, und einige Best Practices für deren Verwendung bereitstellen. |
| |
Diese beiden Analysetechniken kommen also in den Text Explorer, der für diejenigen, die nicht vertraut sind, JMPs sind |
| |
Werkzeug zur Analyse von so genannten freien oder unstrukturierten Texten, also Texten in natürlicher Sprache. |
| |
Und es ist ein sogenanntes Text-Mining-Tool, mit dem wir quantitative Informationen aus freiem Text ableiten können, damit wir dies können |
| |
Verwenden Sie andere Arten von statistischen oder analytischen Tools, um Erkenntnisse aus dem freien Text abzuleiten, oder verwenden Sie diesen Text möglicherweise sogar als Eingabe für andere Analysen. |
| |
Werfen wir also einen Blick auf diese beiden neuen Text Mining-Techniken, die in JMP Pro 16 für den Text Explorer verfügbar sind, und beginnen mit der Stimmungsanalyse. |
| |
Die Stimmungsanalyse im Kern beantwortet die Frage, wie emotional positiv oder negativ ein Text ist. |
| |
Und wir werden eine Stimmungsanalyse für das Beige Book durchführen, das ein wiederkehrender Bericht der US Federal Reserve Bank ist. |
| |
Jetzt entschuldigen wir uns für die Verwendung eines Beispiels aus den USA bei JMP Discovery Europe, aber das Beige Book bietet eine schöne Demonstration dessen, worum es bei der Stimmungsanalyse geht. |
| |
Dies ist also eine monatliche Veröffentlichung, die einen Bericht auf nationaler Ebene sowie 12 Berichte auf Distriktebene enthält, in denen die wirtschaftlichen Bedingungen in diesen Distrikten zusammengefasst sind. Alle diese Berichte basieren auf qualitativen Informationen wie Interviews und Umfragen. |
| |
Und die politischen Entscheidungsträger in den USA können die qualitativen Informationen im Beige Book zusammen mit quantitativen Informationen in traditionellen Wirtschaftsindikatoren verwenden, um die Wirtschaftspolitik voranzutreiben. |
| |
Sie könnten also denken, wir sprechen gerade über Gefühle oder Emotionen. Ich weiß nicht, dass ich erwarte, dass Wirtschaftsberichte viel Emotion enthalten, aber die Beige Book-Berichte und viel Sprache enthalten tatsächlich Wörter, die Emotionen tragen oder vermitteln können. |
| |
Schauen wir uns also einen Auszug aus einem Bericht an. Hier ist ein Screenshot direkt von der neuen Plattform zur Stimmungsanalyse. |
| |
Sie werden einige hervorgehobene Wörter bemerken, und diese werden wir als Stimmungsbegriffe bezeichnen, d. H. |
| |
Begriffe, die wir argumentieren würden, haben einen emotionalen Inhalt. Zum Beispiel an der Spitze "waren die Computerverkäufe andererseits stark deprimiert". |
| |
wo "stark depressiv" in lila hervorgehoben ist, was darauf hinweist, dass wir dies als negative Emotion betrachten, was es scheint, wenn jemand Computerverkäufe als "stark depressiv" beschreibt, klingt es so, als ob es für uns bedeutet, dies als sicher eine schlechte Sache zu interpretieren . |
| |
Wenn wir nach unten schauen, sehen wir in Orange ein paar positive Stimmungsbegriffe wie "verbessern" oder "günstig". So können wir nach Wörtern suchen, von denen wir glauben, dass sie positiv oder negativ emotional sind |
| |
Lila für Negativ, Orange für Positiv und einige Stimmungsanalysen halten die Dinge auf diesem Niveau, also nur eine binäre Unterscheidung, ein positiver Text oder ein negativer Text. |
| |
Es gibt zusätzliche Möglichkeiten zur Durchführung einer Stimmungsanalyse und insbesondere zur Durchführung von Stimmungsanalysen |
| |
Viele Möglichkeiten versuchen, den Grad der Positivität oder Negativität zu quantifizieren, nicht nur, ob etwas positiv oder negativ ist. Betrachten Sie also dieses andere Beispiel, und ich werde unsere Aufmerksamkeit hier ganz nach unten lenken, wo wir einen Bericht über "schlechte Verkäufe" sehen können. |
| |
Und ich werde das mit der Aussage vergleichen, dass "Computerverkäufe stark deprimiert sind". |
| |
Beides sind also negative Aussagen, aber ich denke, wir sind uns alle einig, dass "stark depressiv" viel negativer klingt als nur "arm". |
| |
Wir wollen also herausfinden, dass eine Stimmung nicht nur positiv oder negativ ausgedrückt wird, sondern auch, wie positiv oder negativ sie ist, und genau darin liegt die Stimmungsanalyse |
| |
Text Explorer tut es. Wie macht es das? Nun, es verwendet eine Technik namens lexikalische Stimmungsanalyse, die auf einigen Stimmungsbegriffen und den damit verbundenen Bewertungen basiert. |
| |
Was wir jetzt sehen, ist ein Auszug aus dem, was wir als Stimmungswörterbuch bezeichnen würden, das die Begriffe und ihre Ergebnisse enthält. |
| |
Zum Beispiel hat der Begriff "fantastisch" eine Punktzahl von 90 und der Begriff "grimmig" unten eine Punktzahl von -75. |
| |
Wir geben also an, welche Begriffe unserer Meinung nach emotionalen Inhalt enthalten und inwieweit sie auf einer beliebigen Skala positiv oder negativ sind, hier -100 bis 100. |
| |
Und dann können wir diese Begriffe in allen unseren Dokumenten finden und sie verwenden, um zu bewerten, wie positiv oder negativ diese Dokumente insgesamt sind. |
| |
Wenn Sie an unser Beispiel "stark depressiv" zurückdenken, nimmt dieses Wort "schwer" und nimmt das Wort "depressiv" und das, was wir nennen, verstärkt es. |
| |
Es ist ein Verstärker oder ein Multiplikator des ausgedrückten Gefühls, daher haben wir auch ein Wörterbuch der Verstärker und was sie mit dem durch den Stimmungsbegriff ausgedrückten Gefühl tun. |
| |
Zum Beispiel sagen wir "unglaublich" multipliziert die Stimmung mit einem Faktor von 1,4, während "wenig" die Stimmung mit einem Faktor von 0,3 multipliziert, so dass es tatsächlich die Stimmung, die ein wenig ausgedrückt wird, irgendwie abschwächt. |
| |
Nun, endlich gibt es eine andere Art von Wort, die wir berücksichtigen wollen, nämlich Negatoren, Dinge wie "Nein" und "Nicht", und wir behandeln diese im Grunde genommen als Polaritätsumkehrungen. So |
| |
"nicht fantastisch" würde die Punktzahl für "fantastisch" nehmen und mit -1 multiplizieren. |
| |
Daher ist dies eine übliche Methode zur Stimmungsanalyse, die auch als lexikalische Stimmungsanalyse bezeichnet wird. Wir nehmen also Stimmungsbegriffe, die wir finden, und multiplizieren sie mit jedem zugehörigen Verstärker |
| |
oder Negatoren und dann, wenn wir für jedes Dokument alle Stimmungswerte für die einzelnen Begriffe haben, die angezeigt werden, mitteln wir einfach über alle, um einen Stimmungswert für dieses Dokument zu erhalten. |
| |
Und JMP gibt diese Ergebnisse auf verschiedene nützliche Arten an uns zurück. Dies ist also ein Screenshot aus dem Tool zur Stimmungsanalyse, und wir werden ihn gleich verwenden. |
| |
Sie können jedoch unter anderem feststellen, dass wir die Stimmungswerte auf alle unsere Dokumente verteilen. Es gibt uns eine Liste aller Stimmungsbegriffe und wie häufig sie vorkommen. |
| |
Und wir haben sogar die Möglichkeit, wie wir sehen werden, die Stimmungswerte zu exportieren, um sie in Grafiken oder Analysen zu verwenden. |
| |
Und so habe ich hier tatsächlich ein paar Grafiken erstellt, um nur zu versuchen, sie als ersten Durchgang zu betrachten. Stimmt die Stimmung in den Beige Book-Berichten tatsächlich mit den wirtschaftlichen Ereignissen in einer Weise überein, wie wir es für richtig halten? Wissen Sie, haben wir wirklich eine gewisse Gültigkeit dafür? |
| |
Stimmung als eine Art Wirtschaftsindikator? Und die Antwort sieht wahrscheinlich so aus. |
| |
Hier habe ich einen Plot, den ich in Graph Builder erstellt habe. Es ist die Stimmung im Laufe der Zeit, also sind alle kleinen grauen Punkte die einzelnen Berichte |
| |
und die blau glattere Art zeigt den Trend der Stimmung im Laufe der Zeit, wobei diese schwarze Linie bei Null eine neutrale Stimmung zeigt, zumindest gemäß unserem Bewertungsschema. |
| |
Die roten Bereiche sind |
| |
Zeiten wirtschaftlicher Rezession, wie von der Federal Reserve offiziell aufgeführt. |
| |
Sie werden vielleicht bemerken, dass die Stimmung ihren Tiefpunkt erreicht oder es gibt Tiefpunkte um Rezessionen, aber eine andere Sache, die Sie vielleicht bemerken |
| |
ist, dass tatsächlich vor jeder Rezession ein Rückgang der Stimmung entweder Monate oder in einigen Fällen sogar ein paar Jahre im Voraus zu sehen ist. Und wir sehen diese großen Stimmungsverluste nicht |
| |
in Situationen, in denen es keine Rezession gab, der man folgen konnte. Vielleicht hat die Stimmung im Beige Book als Frühindikator für eine Rezession eine gewisse Gültigkeit. |
| |
Wenn wir es geografisch betrachten, sehen wir Dinge, die auch Sinn machen. Dies ist nur ein Beispiel aus der Analyse. Wir betrachten die Stimmung in den 12 |
| |
Federal Reserve Bezirke im Zeitraum von 1999 bis 2000 bis 2001. Dies war die Zeit der sogenannten Dotcom-Büste, also ist dies der Zeitpunkt |
| |
Es gab eine große Blase von Technologieunternehmen und Online-Unternehmen, die auftauchten, und schließlich gingen viele von ihnen unter, und es gab einige ziemlich schwerwiegende wirtschaftliche Konsequenzen. |
| |
Die Stimmung von 1999 bis 2000 wächst, tatsächlich wächst die Stimmung ziemlich stark, wie es scheint, |
| |
im Distrikt San Francisco Federal Reserve, in dem viele dieser Unternehmen ihren Hauptsitz haben. Und dann im Jahr 2001 nach der Büste, dem größten Rückgang, den wir bis zur negativen Stimmung in Rot sehen, der wieder in diesem Bezirk von San Francisco auftritt. |
| |
Nur eine kurze grafische Überprüfung dieser Stimmungswerte für das Beige-Buch legt nahe, dass sie eine echte Gültigkeit in Bezug auf ihre Fähigkeit haben, einige wirtschaftliche Ereignisse zu verfolgen, vielleicht vorherzusagen, obwohl wir uns natürlich mit letzteren mehr befassen müssen vorsichtig. |
| |
Dies ist jedoch nur ein Beispiel für mögliche Anwendungsfälle der Stimmungsanalyse, und es gibt noch viel mehr. |
| |
Einer der größten Anwendungsbereiche, in denen es derzeit verwendet wird, ist die Verbraucherforschung, in der Menschen beispielsweise analysieren können |
| |
Einige Antworten auf Verbraucherumfragen, um festzustellen, was positive oder negative Meinungen oder Reaktionen antreibt. |
| |
Die Stimmungsanalyse kann jedoch auch beispielsweise zur Produktverbesserung verwendet werden, bei der die Analyse von Produktbewertungen oder Garantieansprüchen uns dabei helfen kann, Produktmerkmale oder Probleme zu finden, die bei unseren Kunden starke emotionale Reaktionen hervorrufen. |
| |
Wenn wir uns beispielsweise den Kundensupport ansehen, können wir Call Center oder Chats analysieren ... Chat-Transkripte an |
| |
Finden Sie einige Support-Praktiken, die zu zufriedenen oder unglücklichen Kunden führen. Vielleicht sogar die öffentliche Ordnung, analysieren wir offene Kommentare, um die Reaktion der Öffentlichkeit auf vorgeschlagene oder bestehende Politiken zu messen. |
| |
Dies sind nur einige Bereiche, in denen die Stimmungsanalyse angewendet werden kann. Es ist wirklich überall dort anwendbar, wo Sie Text haben, der Emotionen vermittelt und die möglicherweise informativ sind. |
| |
Das ist alles, was ich vorweg sagen möchte. Jetzt möchte ich ein wenig Zeit damit verbringen, Sie durch die Funktionsweise von JMP zu führen. Gehen wir also zu JMP über. |
| |
Hier haben wir die Beige Book-Daten. Unten sehen Sie, dass wir hier etwas mehr als 5.000 Berichte haben und das Datum jedes Berichts von |
| |
Mai 1972 Oktober 2020, aus welchem der 12 Bezirke es stammt, und dann der Text des Berichts. Und Sie können sehen, dass diese Berichte, |
| |
Es sind nicht nur schnelle Aussagen von Ihnen, die Wirtschaft läuft gut oder schlecht, sie können bis ins Detail gehen. |
| |
Bevor wir uns nun mit diesen Daten befassen, möchte ich mich nur bei jemandem für die Idee bedanken, das Beige Book zu analysieren und die Daten tatsächlich abzurufen und in JMP zu übertragen |
| |
Format bereit zu analysieren. Und dieser Dank geht an Xan Gregg, der, wenn Sie nicht wissen, Xan ein Direktor im JMP-Entwicklungsteam und der Schöpfer von Graph Builder ist. Vielen Dank, Xan, für Ihre Hilfe. |
| |
Okay, lassen Sie uns den Grad der positiven und negativen Emotionen in all diesen Berichten quantifizieren. Wir werden den Text Explorer unter dem Analysemenü verwenden. |
| |
Hier haben wir unser Startfenster. Ich nehme unsere Textdaten und füge sie in die Rolle der Textspalten ein. Ein paar Dinge, die hervorgehoben werden müssen, bevor wir loslegen. |
| |
Der Text Explorer unterstützt mehrere Sprachen, aber im Moment ist die Stimmungsanalyse nur auf Englisch verfügbar, und eine andere Sache, auf die ich aufmerksam machen möchte, ist, genau hier zu arbeiten. |
| |
Für diejenigen, die Textanalysen durchführen, sind Sie wahrscheinlich mit dem Stemming vertraut, aber für diejenigen, die nicht vertraut sind, ist das Stemming ein Prozess, bei dem wir mehrere ... |
| |
Nun, um es nicht technisch zu halten ... mehrere Versionen desselben Wortes zusammen. Nehmen Sie "stark", "stärker" und "am stärksten". Das sind also drei |
| |
Versionen desselben Wortes "stark" und in einigen Text-Mining-Techniken möchten Sie tatsächlich alle diese Begriffe in einem Begriff kombinieren und einfach sagen: "Oh, alle bedeuten" stark ", da dies konzeptionell dasselbe ist. |
| |
Ich werde hier eigentlich aufhören, und es liegt daran, dass ... "am stärksten" genommen wird, was so stark beschreibt, wie etwas nur sein kann |
| |
versus "stärker", was besagt, dass Sie wissen, dass es stark ist, aber es gibt immer noch Raum dafür, dass es noch stärker wird. |
| |
"Stärkste" sollte also wahrscheinlich eine höhere Stimmungsbewertung erhalten als "Stärkere", und wenn ich mich zurückhalten würde, würde ich die Unterscheidung zwischen diesen Wörtern verlieren. Da ich diese Unterscheidung nicht verlieren möchte, möchte ich ihnen unterschiedliche Stimmungswerte geben. Ich werde hier weiter aufhalten. |
| |
Also klicke ich auf OK. |
| |
Und JMP wird jetzt unseren Text tokenisieren, dh ihn in alle seine einzelnen Wörter aufteilen und dann hochzählen, wie oft jeder einzelne vorkommt. |
| |
Und hier haben wir eine Liste aller Begriffe und wie häufig sie sind. "Verkäufe" kommen also über 46.000 Mal vor und wir haben hier auch unsere Phrasenliste. So sind die Sätze |
| |
Sequenzen von zwei oder mehr Wörtern, die häufig vorkommen, und manchmal möchten wir diese tatsächlich als Begriffe in unserem zählen |
| |
Analyse. Und für die Stimmungsanalyse möchten Sie Ihre Phrasenliste durchgehen und beispielsweise "Immobilien" hinzufügen, was zwei Wörter sind, aber es bezieht sich wirklich auf Eigentum. |
| |
Und das könnte ich hinzufügen. Normalerweise fügen wir in der Textanalyse auch sogenannte Stoppwörter hinzu. |
| |
Das sind Wörter, die im Kontext unserer Analyse keine wirkliche Bedeutung haben und die wir ausschließen möchten. Nehmen Sie "Bezirk". Dies passiert ... oder das Beige Book verwendet |
| |
das Wort "Bezirk" häufig, nur sagen, wissen Sie, "dieser Bericht aus dem Bezirk Richmond", so etwas, es ist nicht wirklich bedeutungsvoll. |
| |
Aber ich werde mich hier eigentlich nicht mit Stoppwörtern beschäftigen, und das liegt daran, wenn Sie sich erinnern, |
| |
Zurück von unseren Folien sagten wir, dass alle unsere Stimmungsbewertungen auf einem Wörterbuch basieren, in dem wir Stimmungswörter auswählen und welche Bewertung sie erhalten sollten. |
| |
Und wenn wir "Distrikt" einfach weglassen, erhält es von Natur aus eine Punktzahl von 0 und hat keinen Einfluss auf unsere Stimmungsbewertung, sodass ich es nicht wirklich als Stoppwort deklarieren muss. |
| |
Sobald wir fertig sind, würden wir hier Text oder, entschuldigen Sie, Stimmungsanalyse unter dem roten Dreieck aufrufen. |
| |
Was JMP gerade tut, weil wir keine oder andere Stimmungsbegriffe deklariert haben, verwendet ein integriertes Stimmungswörterbuch, um alle Dokumente zu bewerten. Hier bekommen wir unsere Noten raus. |
| |
Bevor wir nun durch diese Ergebnisse navigieren, sollten wir wahrscheinlich unser Stimmungswörterbuch anpassen, damit die Stimmungswörter und ihre Punktzahlen angezeigt werden. Und das liegt daran, dass in verschiedenen Bereichen, |
| |
Vielleicht haben bestimmte Wörter, die den Text generieren, bestimmte Wörter unterschiedliche Gefühlsebenen oder Gefühle in einem Fall und nicht in einem anderen. Also wollen wir |
| |
Erstellen Sie wirklich ziemlich sorgfältig und gründlich ein Stimmungswörterbuch, in dem wir uns genau erfasst fühlen, wie es durch die Sprache vermittelt wird, die wir gerade analysieren. |
| |
Wie ich bereits sagte, verwendet JMP ein integriertes Wörterbuch und es ist ziemlich spärlich. Sie können es also hier sehen, es hat einige Emoticons, |
| |
wie diese kleinen Smileys und so weiter, aber dann haben wir eine ziemlich klare sentimentale Sprache, wie "abgrundtief" bei -90. |
| |
Jetzt ist es wahrscheinlich nicht so, dass jemand das Wort "abgrundtief" verwendet und es nicht im negativen Sinne meint, also fühlen wir uns ziemlich gut dabei. Aber Sie wissen, es ist keine besonders lange Liste, und wir möchten vielleicht einige Begriffe hinzufügen. |
| |
Mal sehen, wie wir das machen, und eine Sache, die ich empfehlen kann, ist, nur Ihre Daten zu betrachten. Sie wissen, lesen Sie einige der Dokumente, die Sie haben, und versuchen Sie, einige Wörter zu finden, von denen Sie glauben, dass sie auf die Stimmung hinweisen. |
| |
Wir haben hier unten tatsächlich ein Tool, mit dem wir unsere Dokumente lesen und direkt Stimmungsbegriffe daraus hinzufügen können. Hier habe ich also eine Dokumentenliste. Sie können sehen, dass Dokument 1 hervorgehoben ist und dann Dokument 1 unten angezeigt wird. Ich könnte verschiedene Dokumente auswählen, um sie anzuzeigen. |
| |
Wenn wir uns Dokument 1 auf Anhieb ansehen, werden Sie möglicherweise einige potenzielle Stimmungsbegriffe wie "Pessimismus" und "Optimismus" bemerken. |
| |
Jetzt können Sie sehen, dass diese nicht hervorgehoben sind. Diese sind eigentlich nicht im Standard-Stimmungswörterbuch enthalten. |
| |
Und viele Substantive, die Sie tatsächlich finden, sind es nicht, und das liegt daran, dass Substantive wie "Pessimismus" oder "Optimismus" auf eine Weise beschrieben werden können, die im Grunde genommen auf ihre Anwesenheit oder Abwesenheit hindeutet. Ich könnte also sagen, "Pessimismus nimmt ab" oder |
| |
"Es gibt einen deutlichen Mangel an Pessimismus", "Pessimismus wird nicht mehr berichtet." |
| |
Und in diesen Fällen würden wir nicht sagen, dass "Pessimismus" eine negative Sache ist. Es ist ... also möchten Sie vorsichtig sein und über Wörter im Kontext nachdenken und darüber, wie sie tatsächlich verwendet werden, bevor Sie sie einem Stimmungswörterbuch hinzufügen. |
| |
Zum Beispiel könnte ich hier zu unserer Termliste zurückkehren. Ich werde nur den Filter zeigen, |
| |
Suchen Sie nach "Pessimismus" und zeigen Sie dann den Text, um zu sehen, wie er verwendet wird. In diesem ersten Beispiel sehen wir also: "Die Stimmung unserer Direktoren variiert von Pessimismus zu Optimismus." |
| |
Und der nächste |
| |
"Private Gespräche eine tiefe Stimmung des Pessimismus." Wenn Sie tatsächlich durchlesen, ist dies die typische Verwendung. Im Beige Book scheinen sie das Wort Pessimismus also nicht so zu verwenden, wie ich es fürchten könnte. |
| |
"Der Optimismus nimmt zu." |
| |
Ich fühle mich also in Ordnung, wenn ich hier "Pessimismus" hinzufüge. Fügen wir ihn also unserem Stimmungswörterbuch hinzu. |
| |
Also, wenn ich einfach darüber schwebe, |
| |
Sie können sehen, dass wir einige Optionen aufzeigen, was damit zu tun ist. Hier kann ich also sagen wir mal eine Punktzahl von -60 geben. |
| |
Und jetzt wird das mit der entsprechenden Punktzahl zu unserem Wörterbuch hinzugefügt, und es löst eine aktualisierte Stimmungsbewertung in JMP aus. Das heißt, es wird jetzt nach dem Wort "Pessimismus" gesucht und alle Dokumentwerte dort angepasst, wo es gefunden wird. |
| |
Gehen wir jetzt noch einmal nach oben, um unsere Stimmungsbegriffe genauer zu betrachten. Wenn ich nach unten scrolle, werden Sie "Pessimismus" finden. |
| |
genau hier mit der Punktzahl von -60, die ich gerade gegeben habe. Jetzt möchte ich vielleicht tatsächlich ... wenn Sie bemerken, dass "pessimistisch" standardmäßig eine Punktzahl von -50 hat, also tippe ich hier einfach -50 ein, um dies konsistent zu machen. |
| |
Und ich könnte, aber ich werde nicht, nur damit wir kein weiteres Update auslösen. |
| |
Hier finden Sie auch diese Liste möglicher Stimmungsbegriffe. Dies sind also Begriffe, die JMP als möglicherweise stimmungsvoll identifiziert hat, und Sie sollten sie sich ansehen und sie für die Aufnahme in Ihr Wörterbuch in Betracht ziehen. |
| |
Zum Beispiel das Wort "stark" hier, wenn Sie sich einige der Dokumenttexte rechts ansehen, könnten Sie sagen, okay, das ist eindeutig eine positive Sache. Und wenn Sie sich viele dieser Beispiele angesehen haben, fällt das wirklich auf |
| |
Das Wort "stark" und entsprechend "schwach" sind Wörter, die diese Ökonomen häufig verwenden, um über Dinge zu sprechen, die gut oder schlecht über die aktuelle Wirtschaft sind. |
| |
Also könnte ich sie hinzufügen oder hier "stark" hinzufügen, indem ich auf positive 60 in den Schaltflächen dort oben klicke. Auch dies werde ich jetzt nicht tun, nur um unseren Blick auf die Stimmungsanalyse zu beschleunigen. |
| |
So könnten wir, genau wie unsere Texte unten, unsere Liste der Stimmungsbegriffe hier durchgehen, um einige gute Kandidaten auszuwählen. |
| |
Unter dem roten Dreieck können wir die Stimmungsbedingungen auch direkter verwalten, so dass dies nur in vollem Umfang möglich ist |
| |
Begriffsverwaltungslisten, an die wir möglicherweise für einen Text Explorer-Benutzer gewöhnt sind, z. B. die Phrasenverwaltung und die Stoppwortverwaltung. |
| |
Sie können sehen, dass wir dieser speziellen Analyse zusätzlich zu all unseren integrierten Begriffen einen neuen lokalen Begriff hinzugefügt haben. Natürlich könnten wir auch Ausnahmen deklarieren, wenn wir einige davon vielleicht nicht wirklich einbeziehen wollen. |
| |
Und wichtig ist, dass Sie auch Ihr Stimmungswörterbuch importieren und exportieren können. Eine andere Möglichkeit, Stimmungsbedingungen zu deklarieren, besteht darin, Fachexperten zu konsultieren. Wissen Sie, |
| |
Ökonomen hätten wahrscheinlich eine Menge zu sagen über die Arten von Wörtern, die sie erwarten würden, um dies klar zu vermitteln |
| |
positive oder negative Emotionen in diesen Berichten. Und wenn wir mit ihnen sprechen könnten, würden wir gerne wissen, was sie dazu zu sagen haben, und wir könnten möglicherweise sogar ein Wörterbuch in einer durch Tabulatoren getrennten Datei mit ihnen ableiten und es dann einfach hier importieren. |
| |
Und wenn wir dann ein Wörterbuch erstellt haben, für das wir uns gut fühlen, sollten wir es exportieren und speichern, damit es in Zukunft problemlos erneut angewendet werden kann. |
| |
Das ist also ein bisschen darüber, wie Sie Ihr Stimmungswörterbuch tatsächlich kuratieren würden. Es wäre auch wichtig zu |
| |
Kuratieren Sie Ihre Verstärkerterme und Ihre Negationsterme, und auch hier sehen Sie keine Ergebnisse, da dies nur Polaritätsumkehrungen sind. |
| |
Nur um Ihnen ein bisschen mehr darüber zu zeigen, wie das tatsächlich aussieht, wenn wir ... schauen wir uns hier die Stimmung an, damit wir Beispiele sehen können, in denen |
| |
JMP hat das Wort "nicht" vor einigen dieser Stimmungsbegriffe gefunden und tatsächlich die entsprechende Punktzahl angewendet. Oben erhält "nicht akzeptabel" eine Punktzahl von -25. |
| |
Ich zeige Ihnen also, dass diese Negatoren und Verstärker, um Ihre Aufmerksamkeit auf die Tatsache zu lenken, dass sie von JMP automatisch angewendet werden. |
| |
Aber wie auch immer, lassen Sie uns von der Diskussion über die Einrichtung der Analyse zur tatsächlichen Betrachtung der Ergebnisse übergehen. Also werde ich erziehen |
| |
Eine Version der Analyse, die bereits durchgeführt wurde, das heißt, ich habe das Stimmungswörterbuch bereits kuratiert, und wir können tatsächlich damit beginnen, die Ergebnisse zu interpretieren, die wir erhalten. |
| |
Wir haben hier oben also eine Zusammenfassung auf hoher Ebene, sodass wir mehr positive als negative Dokumente haben. Wie wir bereits besprochen haben, können wir sehen, wie viele von jedem. Tatsächlich sehen Sie unten in dieser Tabelle links, dass wir ein Dokument haben, in dem keinerlei Gefühle zum Ausdruck kommen. |
| |
"stark" tritt 14.000 Mal auf, "schwach" tritt ungefähr 4.500 Mal auf |
| |
und diese entweder nach ihren Zählungen oder nach ihren Punktzahlen betrachten, die negativsten und positivsten betrachten, |
| |
Selbst wenn man sie im Kontext betrachtet, kann dies an und für sich ziemlich informativ sein. Ich meine, insbesondere in einem Bereich wie der Verbraucherforschung, wenn Sie wissen möchten, wann sich Menschen positiv fühlen oder Positivität ausdrücken |
| |
über unsere Marke oder einige Produkte, die wir haben, welche Art von Sprache sie verwenden, vielleicht würde das die Marketingbemühungen beeinflussen, sagen wir mal. Diese Liste von Stimmungsbegriffen kann in dieser Hinsicht sehr informativ sein. |
| |
Herstellung, |
| |
Tourismus, Investitionen. Und manchmal möchten wir uns insbesondere auf eine dieser Subdomänen konzentrieren, die wir als Feature bezeichnen könnten. |
| |
Und wenn ich in der Stimmungsanalyse zu dieser Registerkarte "Funktionen" gehe, klicke ich auf "Suchen". JMP findet einige Wörter, die häufig bei Stimmungsbegriffen vorkommen, und fragt, ob Sie in Bezug auf diese Funktion möglicherweise in die Stimmung eintauchen möchten. |
| |
Nehmen wir zum Beispiel "Verkäufe". Wir können sehen, dass "Umsätze als schwach gemeldet wurden", "Umsatzabschwächung", "Umsätze halten sich Berichten zufolge gut" und so weiter. |
| |
Wenn ich also nur diese ausgewählte Funktion bewerte, liefert JMP jetzt nur Stimmungsbewertungen in Bezug auf die Erwähnung von "Verkäufen" in diesen größeren Berichten. Dies wird uns helfen, unsere Analyse zu verfeinern oder sie auf eine wirklich gute Funktion zu konzentrieren. definierte Subdomain. |
| |
Und das ist besonders wichtig. |
| |
Es kann sein, dass die Domain in der Sprache, die wir analysieren, nicht so stark eingeschränkt ist. Nehmen Sie zum Beispiel |
| |
Produktrezensionen. Sie interessieren sich dafür, wie positive oder negative Personen über das Produkt denken, aber sie sprechen möglicherweise auch beispielsweise über den Versand, und es ist Ihnen nicht unbedingt wichtig, ob sie mit dem Versand nicht zufrieden sind, hauptsächlich, weil Sie sich dessen nicht entziehen können . |
| |
Sie möchten nicht nur eine Reihe von Bewertungen hinzufügen, die auch diesen Versand kommentieren. Daher ist es wichtig, den Bereich der Analyse zu berücksichtigen und angemessen einzuschränken. Der Feature-Finder hier ist eine Möglichkeit, dies zu tun. |
| |
Sie können also jetzt sehen, dass ich bei "Verkäufen" Punkte erzielt habe. Wir haben eine sehr unterschiedliche Verteilung von positiven und negativen Dokumenten. Wir haben mehr Dokumente, die keine Stimmungsbewertung haben, weil sie |
| |
Sprechen Sie einfach nicht über Verkäufe oder verwenden Sie keine emotionale Sprache, um darüber zu diskutieren, und wir haben eine andere Liste von Stimmungsbegriffen, die jetzt insbesondere Verkäufe erfassen. |
| |
Lassen Sie mich das entfernen. |
| |
Eine Sache, die mir klar wurde, dass ich vergessen habe zu erwähnen, ich erwähnte es kurz, ist, wie diese Gesamtdokumentbewertungen berechnet werden, die wir uns angesehen haben, und ich sagte, dass sie der Durchschnitt aller Stimmungsbegriffe von ... |
| |
das in einem bestimmten Dokument aufgetreten ist. Schauen wir uns also Dokument 1 an. Ich möchte Ihnen das nur zeigen |
| |
Wenn Sie sich jemals fragen, woher diese Punktzahl kommt, sagen wir mal -20, können Sie einfach mit der Maus darüber fahren und es wird Ihnen eine Liste aller Stimmungsbegriffe angezeigt, die aufgetaucht sind. |
| |
Und Sie können sehen, hier haben wir 16 davon, darunter alle unten, "echter Lichtblick", der +78 war, und dann, wenn Sie teilen ... addieren Sie alle diese Punkte. durch 78 teilen ... |
| |
oder durch 16 teilen, entschuldigen Sie, dann erhalten Sie eine durchschnittliche Stimmung von -20. Dies ist eine von zwei Möglichkeiten, um Gesamtpunktzahlen bereitzustellen. Eine andere ist eine Min-Max-Wertung, also Unterschiede zwischen Minimum und Maximum |
| |
im Text zum Ausdruck gebrachte Gefühle. |
| |
Jetzt können wir eine Menge Informationen erhalten, wenn wir uns nur diesen Bericht ansehen. Sie wissen, offensichtlich sind die Stimmungswerte die gebräuchlichsten Begriffe. |
| |
Aber oft wollen wir die Gefühle nehmen und sie auf andere Weise verwenden, wie zum Beispiel |
| |
Betrachten Sie sie grafisch, wie wir es auf den Folien getan haben. Wenn es also Zeit für diesen Teil Ihrer Analyse ist, gehen Sie einfach zum roten Dreieck |
| |
und speichern Sie die Dokumentergebnisse. Und diese speichern diese Ergebnisse wieder in Ihrer Datentabelle, sodass Sie sie in weitere Analysen eingeben oder grafisch darstellen können, was auch immer Sie tun möchten. |
| |
Das ist also eine Vorschau der Stimmungsanalyse, die in JMP Pro 16 in Text Explorer verfügbar ist. Die Idee zum Mitnehmen ist, dass die Stimmungsanalyse ein Stimmungswörterbuch verwendet, das |
| |
Sie richten ein, um Bewertungen bereitzustellen, die dem positiven und negativen emotionalen Inhalt jedes Dokuments entsprechen, und von dort aus können Sie diese Informationen auf eine Weise verwenden, die für Sie informativ ist. |
| |
Also lassen wir die Stimmungsanalyse jetzt hinter uns und ich werde zu unseren Folien zurückkehren, um über die andere Technik zu sprechen, die bald im Text Explorer verfügbar sein wird. |
| |
Und das ist die Begriffsauswahl, bei der die Begriffsauswahl eine andere Frage beantwortet, und das heißt, welche Begriffe sind am stärksten mit einer wichtigen Variablen oder Variablen verbunden, die mir wichtig ist? |
| |
Wir bleiben beim Beige Book. |
| |
Wir werden fragen, welche Wörter statistisch mit Rezessionen verbunden sind. In der Grafik hier haben wir also im Laufe der Zeit die prozentuale Änderung |
| |
BIP (Bruttoinlandsprodukt) von Quartal zu Quartal, wobei Blau das Wirtschaftswachstum und Rot den wirtschaftlichen Rückgang anzeigt. Und wir könnten uns fragen, was |
| |
Begriffe, wie sie im Beige Book erscheinen, könnten statistisch mit diesen Perioden des wirtschaftlichen Abschwungs verbunden sein? Zum Beispiel einige davon hier. |
| |
Sie wissen, warum sollten wir bestimmte Begriffe im Beige Book mit Zeiten des wirtschaftlichen Abschwungs in Verbindung bringen wollen? |
| |
Nun, es könnte an und für sich möglicherweise informativ sein, eine Liste von Begriffen zu erhalten. Weißt du, ich finde vielleicht einige, weißt du, subtil |
| |
Treiber oder Auswirkungen von Rezessionen, die mir möglicherweise nicht bekannt sind oder die ich in quantitativen Daten nicht leicht erfassen kann. |
| |
Ich könnte auch einige Wörter für die weitere Analyse finden. Ich könnte ... ich könnte welche finden |
| |
Potenzielle Stimmungsbegriffe, einige Begriffe, die verwendet werden, wenn es der Wirtschaft besonders schlecht geht, die ich bei meiner Stimmungsanalyse zum ersten Mal verpasst habe. |
| |
Oder vielleicht könnte ich einige Wörter finden, die so stark mit Rezessionen verbunden sind, dass ich denke, ich könnte sie in einem Vorhersagemodell verwenden, um herauszufinden, wann Rezessionen in der Zukunft auftreten könnten. |
| |
Es gibt also verschiedene Gründe, warum wir wissen möchten, welche Wörter am stärksten mit Rezessionen verbunden sind. |
| |
Wie funktioniert das in JMP? Nun, wir bauen im Grunde ein Regressionsmodell auf, bei dem die Ergebnisvariable die Variable ist, die uns wichtig ist, Rezessionen und die Eingaben die verschiedenen Wörter sind. |
| |
Die in das Modell eingegebenen Daten haben die Form einer Dokumenttermmatrix, der jede Zeile entspricht |
| |
ein Dokument oder ein beige Buchbericht, und dann erfassen die Spalten die Wörter, die in diesem Bericht vorkommen. Hier haben wir die Spalte "schwach" hervorgehoben und es heißt "binär", was das bedeutet |
| |
es wird 1s und 0s enthalten; Eine 1 gibt an, dass dieser Bericht das Wort "schwach" enthält, und eine 0 gibt an, dass dieser Bericht das Wort "schwach" nicht enthält. Und dies ist eine von mehreren Möglichkeiten, wie wir die Dokumente bewerten können, aber wir bleiben vorerst bei dieser Binärdatei. |
| |
Also nehmen wir diese Informationen und geben sie in ein Regressionsmodell ein. Hier ist also, wie der Start aussehen würde. |
| |
Wir haben unsere Rezession als unsere Y-Variable und das ist nur eine Art Ja- oder Nein-Variable, und dann haben wir alle diese Prädiktoren für binäre Terme als unsere Modelleffekte eingegeben. |
| |
Und dann werden wir das allgemeine Regressionstool von JMP Pro verwenden |
| |
Um das Modell zu erstellen, und das liegt daran, dass die generalisierte Regression oder GenReg, wie wir sie nennen, automatische Variablenauswahltechniken enthält. Also, wenn Sie vertraut sind |
| |
regulierte Regression, wir sprechen wie das Lasso oder das elastische Netz. Und wenn Sie nicht wissen, was das bedeutet, ist das völlig in Ordnung. Die Idee ist, dass es automatisch wird |
| |
Finden Sie heraus, welche Begriffe am stärksten mit der Ergebnisvariablen "Rezession" assoziiert sind, und diejenigen, von denen es nicht glaubt, dass sie damit assoziiert sind, werden diese auf Null gesetzt. |
| |
Und dies ermöglicht es uns, die Beziehungen zwischen "Rezession" und vielleicht Hunderten, Tausenden von möglichen Wörtern zu betrachten, die damit verbunden wären. |
| |
Was bekommen wir also, wenn wir die Analyse durchführen? |
| |
Wir holen ein Modell raus. Was wir hier haben, ist die Gleichung für dieses Modell. Mach dir keine Sorgen. Die Idee ist, dass wir sagen |
| |
Die logarithmische Wahrscheinlichkeit einer Rezession ist also nur eine Funktion der Wahrscheinlichkeit, dass wir uns in einer Rezession befinden und wann das beige Buch herausgegeben wird, eine Funktion von |
| |
all die verschiedenen Wörter, die im Beige Book-Bericht vorkommen könnten. |
| |
Und Sie können sehen, wir haben, wissen Sie, die Auswirkung des Auftretens des Wortes "Pandemie" mit einem Koeffizienten von 1,94. |
| |
Das bedeutet nur, dass die logarithmischen Chancen einer "Rezession" um 1,94 steigen, wenn im Beige Book-Bericht das Wort "Pandemie" erwähnt wird. Dann sehen wir minus 1,02 mal "Gewinn". Nun, das heißt, wenn der Beige Book-Bericht das Wort "Gewinn" erwähnt, dann die Wahrscheinlichkeit einer Rezession ... |
| |
oder die logarithmische Wahrscheinlichkeit einer Rezession sinkt um 1,02. |
| |
Daraus ergibt sich eine Liste von Begriffen, die stark mit einer Zunahme der Wahrscheinlichkeit einer Rezession verbunden sind, beispielsweise "Pandemie", "Verschiebung", "Aufhebung", "Zwangsvollstreckungen". |
| |
Außerdem erhalten wir eine Liste von Begriffen, die mit einer abnehmenden Wahrscheinlichkeit einer Rezession verbunden sind, z. B. "Gewinn", "Stärkung", "Wettbewerb". |
| |
Wir sehen auch genau dort "Herstellung", aber es hat einen relativ kleinen Koeffizienten, ungefähr -.2. |
| |
Und Sie werden es hier tatsächlich bemerken, und wenn wir uns eine grafische Darstellung aller in dieser Analyse ausgewählten Begriffe ansehen, sehen Sie nicht zu viele spezifische Bereiche wie "Fertigung". |
| |
"Tourismus", "Investitionen" und so weiter. Das liegt daran, dass immer über diese Dinge gesprochen wird, egal ob wir uns in einer Rezession befinden oder nicht. |
| |
Sie wissen, wenn wir öfter in einer Rezession sind, als Sie zufällig erwarten würden. Also haben wir ... zum Beispiel das sind |
| |
"Pandemie" ist die prädiktivste. Macht sehr viel Sinn. Wir sprechen bis vor kurzem überhaupt nicht über Pandemien, und dann haben wir auch die Rezession in letzter Zeit erlebt, also haben wir das ziemlich deutlich aufgegriffen. |
| |
Dann haben wir ein paar andere in dieser Art, der zweiten Stufe, also ist das "verschoben", "stornieren", "abgeschottet", "verschlechtern", "pessimistisch". |
| |
Und es ist irgendwie interessant, dass diese "Verschiebung" und "Absage" mit Rezessionen verbunden sind. Es ist sinnvoll, wirklich über die Verschiebung beispielsweise der Wirtschaftstätigkeit zu sprechen |
| |
wenn eine Rezession stattfindet, oder zumindest ist das vielleicht ein verlässlicher Trend. Es ist ... so dass das Einsicht an und für sich ist. In der Tat, ich |
| |
Ich kann Ihnen nicht sagen, wie die Federal Reserve die Verschiebung oder Einstellung von Wirtschaftsaktivitäten verfolgt, aber die Tatsache, dass diese Begriffe in dieser Analyse markiert werden, legt nahe, dass dies wahrscheinlich eine Verfolgung wert ist. |
| |
Okay, das ist also Begriffsauswahl. Wir bekommen tatsächlich diese schöne Liste von Begriffen, die mit Rezessionen verbunden sind, heraus und wir können die relative Stärke der Assoziation sehen. Lassen Sie uns das hier kurz sehen, wie es in JMP gemacht wird. |
| |
Also gehe ich zurück zu JMP und wir werden eine etwas andere Datentabelle aufrufen. Es sind jedoch immer noch beige Buchdaten, jetzt haben wir nur noch die nationalen Berichte. |
| |
Und wir haben diese begleitende Variable, unabhängig davon, ob sich die USA zu diesem Zeitpunkt in einer Rezession befanden oder nicht. Und natürlich gibt es in diesen Daten eine gewisse Autokorrelation. Ich meine, wenn wir letzten Monat in einer Rezession sind, ist es wahrscheinlicher, dass wir diesen Monat in einer Rezession sind, als wenn wir es nicht wären. |
| |
Und Sie wissen, dass dies normalerweise ein Problem für regressionsbasierte Analysen sein kann, aber dies ist rein explorativ. Wir sind nicht zu sehr damit beschäftigt. |
| |
Ich werde also einfach den Text Explorer aus einem Tabellenskript aufrufen, nur weil wir gesehen haben, wie er zuvor gestartet wurde. |
| |
Beachten Sie jedoch, dass ich bereits einige Formulierungen vorgenommen habe, wie wir es zuvor getan haben. Ich habe auch einige Stoppwörter hinzugefügt, die Sie hier nicht sehen können, aber Wörter, die ich nicht möchte, werden von dieser Analyse unbedingt zurückgegeben. |
| |
Und ich habe das Stemming aktiviert, was diese kleinen Punkte in der Begriffsliste bedeuten. Zum Beispiel kollabiert dies für "Zunahme" jetzt tatsächlich über "Erhöhungen", "Zunehmen", "Zunehmend". |
| |
Und das liegt daran, dass ich jetzt irgendwie alle das gleiche Konzept betrachte und nur wissen möchte, ob dieses Konzept mit Rezessionen verbunden ist. |
| |
Um die Begriffsauswahl aufzurufen, gehen wir einfach zum roten Dreieck und wählen es hier aus. |
| |
Zuerst wird ein Kontrollfenster angezeigt, oder ich sollte sagen, Abschnitt, in dem wir auswählen, welche Variable uns interessiert, das sind Rezessionen. Wählen Sie die Zielebene aus, daher möchte ich, dass dies in Bezug auf die Wahrscheinlichkeit einer Rezession und nicht auf die Wahrscheinlichkeit einer Rezession erfolgt. |
| |
Ich kann einige Modelleinstellungen festlegen. Wenn Sie mit GenReg vertraut sind, werden Sie feststellen, dass Sie wählen können, ob Sie vorzeitig anhalten möchten oder ob Sie eine von zwei verschiedenen Optionen wünschen |
| |
Strafen für die Variablenauswahl, welche Statistik Sie für die Validierung durchführen möchten. Und wenn dir das Zeug neu ist, mach dir keine Sorgen. Die Standardeinstellungen sind zunächst ein guter Weg. |
| |
Wir haben unsere Gewichtung, wenn Sie sich erinnern, wir hatten die Einsen und Nullen in dieser Spalte für "schwach" und sagten nur, ob das Wort in einem Dokument vorkam oder nicht, aber Sie können auswählen, was Sie wollen. So |
| |
Zum Beispiel ist die Frequenz nicht, ob "schwach" aufgetreten ist oder nicht, sondern wie oft sie aufgetreten ist. Und diese Art beeinflusst die Art und Weise, wie Sie Ihre Ergebnisse interpretieren würden. Wir bleiben vorerst bei der Binärdatei. |
| |
Aber ich werde sagen, ich möchte die 1.000 häufigsten Begriffe überprüfen, anstatt standardmäßig die 400, die Sie sehen können, das sind viel mehr als 436, und normalerweise können Sie kein Modell mit 1.000 X anpassen aber nur 436 |
| |
Beobachtungen, aber dank der |
| |
Automatische Variablenauswahl bei generalisierter Regression, dies ist kein Problem. Es wird also erneut ausgewählt, welche dieser tausend Begriffe am stärksten verwandt sind, daher die Auswahl der Namensbegriffe. |
| |
Also werde ich das machen. Sie können sehen, was passiert ist, wenn JMP die generalisierte Regressionsplattform aufgerufen und diese Ergebnisse zurückgegeben hat. Hier oben sehen wir einige Informationen über das Modell, wie es passt. Zum Beispiel haben wir 37 Begriffe, die zurückgegeben wurden. |
| |
Lassen Sie mich das einfach verschieben. Denn hier rechts finden wir einige wirklich wertvolle Informationen. Dies ist die Liste der Begriffe, die am stärksten mit der Rezession verbunden sind. |
| |
Jetzt werde ich diese nach dem Koeffizienten sortieren, um diejenigen zu finden, die am stärksten mit der Wahrscheinlichkeit einer Rezession verbunden sind In diesen Fällen werden diese Vorschauen aktualisiert |
| |
oder diese Textausschnitte unten, damit wir dieses Wort tatsächlich im Kontext sehen können. |
| |
Diese Liste von Begriffen an sich könnte also unglaublich wertvoll sein. Möglicherweise lernen Sie einige Dinge über bestimmte Begriffe oder Konzepte, die wichtig sind und die Sie vorher vielleicht nicht gekannt haben. Sie können diese Begriffe auch in Vorhersagemodellen verwenden. |
| |
Nun noch ein paar andere Dinge zu beachten. |
| |
Sie können hier unten sehen, wir haben noch einmal eine Tabelle für jedes einzelne Dokument, aber anstelle von Stimmungswerten haben wir jetzt im Grunde genommen Werte aus dem Modell. Wir haben für jeden |
| |
das... |
| |
Was wir den positiven Beitrag nennen, ist also der Beitrag positiver Koeffizienten, die die Wahrscheinlichkeit einer Rezession vorhersagen. Hier haben wir diejenigen am negativen Ende. |
| |
Und dann haben wir sogar die Wahrscheinlichkeit einer Rezession aus dem Modell, 71,8% hier und dann, was wir tatsächlich beobachtet haben. |
| |
Und wir bauen hier nicht unbedingt ein Vorhersagemodell auf, das heißt, ich werde dieses Modell nicht verwenden, um zu versuchen, Rezessionen vorherzusagen. Ich meine, ich habe alle Arten von Wirtschaftsindikatorvariablen, die ich verwenden würde |
| |
Auch, aber dies ist ein guter Weg, um Ihr Modell grundsätzlich auf seine Gesundheit zu überprüfen. Sieht es so aus, als würde es einige seiner Vorhersagen richtig machen? |
| |
Wenn dies nicht der Fall ist, können Sie den zurückgegebenen Bedingungen möglicherweise nicht vertrauen. Sie haben auch viele andere Informationen, um dieses Urteil zu fällen. Ich meine, wir haben einige Anpassungsstatistiken, wie den Bereich unter der Kurve hier oben. |
| |
Oder wir gehen sogar auf die verallgemeinerte Regressionsplattform mit all ihren normalen Optionen zur weiteren Bewertung Ihres Modells ein. |
| |
Ich werde dort nicht auf die Details eingehen, aber all das steht Ihnen zur Verfügung, damit Sie Ihr Modell bewerten und Ihr Modell nach Ihren Wünschen anpassen können, um sicherzustellen, dass Sie eine Liste von Begriffen haben, bei denen Sie sich wohl fühlen. |
| |
Jetzt sehen Sie hier, wir haben diese, unter der Zusammenfassung, diese Liste von Modellen und das liegt daran, dass Sie möglicherweise tatsächlich mehrere Modelle ausführen möchten. Also, wenn ich zurück zum Modell gehe ... oh, entschuldigen Sie ... wenn wir zurück zu unserem gehen |
| |
Einstellungen hier oben könnte ich tatsächlich ein etwas anderes Modell ausführen. Vielleicht weiß ich zum Beispiel, dass der BIC etwas konservativer ist als der AICc und ich möchte weniger Begriffe zurückgeben. Vielleicht habe ich eine Analyse durchgeführt, die 900 Begriffe zurückgegeben hat, und Sie sind ein wenig überfordert. |
| |
Also klicke ich auf Ausführen und erstelle stattdessen ein anderes Modell. |
| |
Und jetzt haben wir dieses Modell hier zu unserer Liste hinzugefügt, und ich kann zwischen diesen Modellen wechseln, um die Ergebnisse für jedes Modell zu sehen. In diesem Fall haben wir nur 14 statt 37 Begriffe zurückgegeben, und ich würde sie weiter unten bewerten. |
| |
Zwei große Ergebnisse, die Sie daraus erhalten würden, ist natürlich diese Begriffsliste. Wenn Sie das speichern möchten, sind dies nur wichtige Begriffe für Sie und Sie möchten sie im Auge behalten. Klicken Sie einfach mit der rechten Maustaste und machen Sie daraus eine Datentabelle. Jetzt habe ich eine JMP-Tabelle |
| |
mit den Begriffen, ihren Koeffizienten und anderen Informationen. |
| |
Und |
| |
Wenn Sie dies tatsächlich tatsächlich in Ihre ursprüngliche Datentabelle zurückschreiben möchten, damit Sie die Informationen in einer anderen Art von Analyse oder Vorhersagemodell verwenden können, |
| |
Gehen Sie einfach zur Begriffsauswahl und sagen Sie, dass Sie die Begriffsbewertungen als Dokumentbegriffsmatrix speichern möchten. Wenn ich unsere Datentabelle hierher zurückbringe, können Sie sehen, dass ich sie jetzt geschrieben habe |
| |
Spalten für jeden dieser Begriffe, die ausgewählt wurden. In diesem Fall mit ihren Koeffizientenwerten ausgefüllt, und jetzt kann ich dies verwenden |
| |
quantitative Informationen, wie ich mag. |
| |
Das ist dann nur ein bisschen über die Begriffsauswahl. Auch hier ist die große Idee, dass ich eine Liste von Begriffen gefunden habe, die sich auf eine Variable beziehen, die mir wichtig ist, und über ihre Koeffizienten sogar Informationen darüber habe, wie stark diese Beziehung sein könnte. |
| |
Also lasst uns einfach einpacken. Wir haben zwei Techniken behandelt. Wir haben gerade die Begriffsauswahl gesehen und diese wichtigen Wörter gefunden. Vorher haben wir die Stimmungsanalyse überprüft |
| |
Quantifizierung des Grades positiver oder negativer Emotionen in einem Text. Dies sind zwei neue Text Mining-Techniken, die im Text Explorer von JMP Pro 16 verfügbar sind. Wir freuen uns sehr, dass Sie sie in die Hände bekommen und freuen uns auf Ihr Feedback. |
