398687_ko-KR

liliconcom

텍스트 마이닝 툴킷 확장: JMP Pro 16의 감정 분석 및 용어 선택(2021-US-45MP-851)

레벨: 중급

 

Ross Metusalem, 시스템 엔지니어, JMP

 

텍스트 마이닝 기술을 사용하면 구조화되지 않은 텍스트 데이터에서 정량적 정보를 추출할 수 있습니다. JMP Pro 16은 텍스트 탐색기의 두 가지 기능인 감정 분석 및 용어 선택 기능이 추가되어 텍스트에서 추출할 수 있는 정보가 확장되었습니다. 감정 분석은 텍스트의 단어를 감정을 전달하는 용어 및 관련 점수의 사용자 지정 가능한 사전에 매핑하여 텍스트에 표현된 긍정적 또는 부정적 감정의 정도를 수량화합니다(예: "멋진", +90, "끔찍한", -90). 결과 감정 점수는 대규모로 사람들의 주관적 감정을 평가하고 객관적 개념과 관련하여 주관적 감정을 탐색하며 추가 분석을 강화하는 데 사용할 수 있습니다. 용어 선택은 텍스트 탐색기 내부에서 호출되는 JMP Pro의 일반화 회귀 플랫폼에서 정규화된 회귀 기능을 적용하여 응답 변수를 가장 강력하게 예측하는 용어를 자동으로 찾습니다. 용어 선택은 중요한 결과 측정과 관련 구조화되지 않은 텍스트에서 특정 용어의 발생 사이의 관계를 쉽게 식별하는 데 유용합니다.

 

이 프레젠테이션은 감정 분석 및 용어 선택 기법에 대한 개요를 제공하고 실제 데이터에 적용하는 방법을 보여주며 각각을 효과적으로 사용하기 위한 몇 가지 모범 사례를 공유합니다.

 

 

자동 생성된 대본...

 

스피커	성적 증명서
로스 메투살렘	여러분, 안녕하세요. JMP가 지난 봄에 출시된 JMP Pro 16에서 텍스트 마이닝 툴킷을 확장한 방법에 대한 프레젠테이션에 오신 것을 환영합니다.
	저는 로스 메투살렘입니다. 저는 JMP의 학술 대사이며 이 두 가지 새로운 텍스트 마이닝 기능을 공유하겠습니다.
	감정 분석 및 용어 선택. 우리는 그것들이 무엇인지, 그것들과 JMP를 어떻게 사용하는지에 대해 이야기할 것이고, 그런 다음 우리는 실제 세계에서 공개적으로 사용 가능한 데이터에 대해 이러한 분석을 수행하는 두 가지 예를 보게 될 것입니다.
	따라서 감정 분석 및 용어 선택은 범용 텍스트 마이닝 도구인 JMP의 텍스트 탐색기에 새로 추가된 두 가지 기능입니다.
	따라서 이것을 사용하여 우리가 일반적으로 무료 또는 구조화되지 않은 텍스트 데이터라고 부르는 것에서 양적 정보를 얻을 수 있습니다. 그래서 이것은 단어 빈도를 유도하는 것으로부터 무엇이든 될 수 있으므로 단어 구름을 만들 수 있습니다.
	의미론적으로 유사한 문서를 클러스터링할 수 있도록 잠재 의미론적 분석을 수행합니다. 따라서 오늘 우리가 보게 될 두 가지 기능은 텍스트 탐색기 도구 내의 기능입니다.
	JMP Pro 16에서 소개하게 된 인기 있고 자주 요청되는 기능인 감정 분석부터 시작하겠습니다.
	익숙하지 않은 사람들을 위해 감정 분석은 구조화되지 않은 텍스트 데이터에서 긍정적인 감정과 부정적인 감정을 수량화하는 것입니다.
	이제 우리가 살펴볼 예는 연준이 발행한 보고서인 베이지북(Beige Book)입니다.
	그리고 지도에서 볼 수 있듯이 연방 준비 제도 이사회는 12개의 다른 구역으로 나뉘며 연간 약 8회 각 구역은 내러티브 베이지 북 보고서를 발행합니다.
	해당 지역 자체의 현재 및 잠재적 미래 경제 상황을 요약한 것입니다. 그리고 이러한 보고서는 주로 질적 데이터 소스를 기반으로 하므로
	비즈니스 리더들과의 대화, 그런 것들을 조사합니다. 그래서 베이지북은 감성 분석의 좋은 예라고 생각합니다.
	그것은 공개적으로 이용 가능한 데이터이고 여러분 모두와 공유할 수 있습니다. 또한 여러분이 투자자이거나
	알다시피, 연방 준비 제도 이사회 이사가 국가의 다른 지역의 경제 상황에 대해 얼마나 강하게 긍정적 또는 부정적으로 느끼는지 알기 위해 금융 기관을 관리했습니다. 당신은 실제로 그것을 사용할 수 있습니다
	아마도 의사 결정을 안내할 수도 있고, 정량화할 수 있더라도 일부 통계 분석, 심지어 일부 예측 모델에 사용할 수도 있습니다.
	그럼 베이지북의 일부 텍스트의 예를 살펴보겠습니다.
	여기에서 보고서 중 하나의 스니펫이 있습니다. 맨 위에서 시작하여 이 보고서는 반면에 컴퓨터 판매는 심각하게 침체되어 있음을 알 수 있습니다.
	반면에 바닥으로 내려가면 개인도 바람에 호의적인 짚이 많다고 해서 여기에 '심각한 우울'과 '호의', '개선'을 강조하고,
	이것이 우리가 감정 문구라고 부르는 것이기 때문입니다. 따라서 긍정적이거나 부정적인 감정적 내용을 나타내는 하나 이상의 단어입니다.
	그래서 상단에서 우리는 심각하게 우울했고, 이것은 강하게 부정적이었고, 그 다음 우리는 아래로, 호의적이었고, 일반적으로 긍정적이었습니다. 그리고 우리는 이 색상 코딩을 사용하여 주황색 대 이 파란색 또는 자주색(방법에 따라 당신은 그것을 참조)
	긍정적인 감정과 부정적인 감정을 각각 나타냅니다.
	그리고 많은 형태의 감정 분석이 바로 이 작업을 수행합니다. 그들은 텍스트에서 긍정적인 문구와 부정적인 문구를 찾습니다.
	JMP가 사용하고 다른 곳에서 접할 수 있는 형식은 실제로 연속 척도에서 긍정적이고 부정적인 감정을 수량화합니다.
	예를 들어, 이 두 번째 텍스트 스니펫의 맨 아래를 살펴보겠습니다. 여기에서 누군가가 이 지역의 대형 백화점에서 판매 부진을 보고한다고 말하는 것을 볼 수 있습니다.
	따라서 위쪽에서는 판매가 심하게 침체되고 아래쪽에서는 판매가 부진한 것을 볼 수 있습니다. 글쎄요, 우리 모두는 심하게 우울해지면 더 나쁘게 들린다는 데 동의한다고 생각합니다.
	판매와 관련하여 가난한 사람보다. 그래서 우리는 원할 수도 있습니다.
	둘 다 부정적이지만 심각하게 우울한 것을 가난한 것보다 더 부정적인 것으로 수량화하여 JMP의 감정 분석에서 수행합니다. 그리고 우리는 이야기 할 것입니다
	특히 점수가 어떻게 계산되는지에 대해 아주 짧게 여기지만 먼저 실제로 살펴보는 것이 가치가 있다고 생각합니다.
	개인, 알다시피, 이와 같은 용어 및 구문을 살펴봄으로써 감정을 수량화하는 것의 타당성을 입증할 수 있습니다.
	그리고 우리가 말하는 것은 본질적으로 문서에서 발생하는 단어를 기반으로 문서에 점수를 매기는 것입니다.
	우리가 생각하는 감정과 정도를 나타냅니다. 그리고 그것은 일종의 내부적이고 주관적인 것이지만 이 접근 방식, 감정 분석,
	실제로 일부 예측 타당성을 입증할 수 있습니다. 예를 들어, 베이지북 감정이 시간이 지남에 따라 어떻게 추적되는지 살펴보면 실제로 경기 침체와 함께 꽤 안정적으로 추적한다는 것을 알 수 있습니다. 그래서 여기에 감정이 있습니다.
	y축에. 음수 75에서 75로 확장되는 것을 볼 수 있습니다. 이는 우리가 플로팅한 범위일 뿐입니다. 실제 척도는 음수 100에서 시작합니다.
	100까지, 여기서 0은 중립입니다. 모든 Beige Book 보고서에서 전반적인 정서 경향을 포착하는 시간이 지남에 따라 부드러워짐을 알 수 있습니다.
	빨간색으로 강조 표시된 경기 침체와 관련하여 흥미로운 패턴을 볼 수 있습니다. 특히, 각 경기 침체 전에 심리가 안정적으로 하락하는 것을 볼 수 있습니다.
	따라서 이것은 미국 연방준비제도이사회(FRB) 총재의 감정 상태에 대한 상대적으로 주관적인 측정이지만 예상대로 경기 침체를 추적하고 있습니다.
	또한 흥미롭게도 실제로 지리적으로 추적합니다. 예를 들어 2000년에서 2001년 사이에 샌프란시스코 베이 지역에서 많은 인터넷 신생 기업이 탄생한 닷컴 불황을 생각해 보십시오.
	아래로 갔다. 샌프란시스코에 대한 호버 레이블이 강조 표시되어 있어 해당 지역의 점수를 볼 수 있습니다. 우리는 이전에 본 것처럼 주황색에 긍정적인 감정이 있고 파란색에 부정적인 감정이 있습니다.
	우리는 2000까지 구축, 감정
	베이 지역에서는 38.65점으로 꽤 높았고, 2001년에는 평균 60점 이상 급락했습니다.
	음수 24.7 약. 그리고 그것은 우리가 미국의 다른 곳에서 본 것보다 훨씬 더 큰 변화입니다. 왜냐하면 그것이 지역이기 때문일 것입니다...아마도 그것이 가장 큰 영향을 받은 지역이기 때문일 것입니다.
	그리고 우리는 대공황과 비슷한 것을 봅니다. 그래서 우리는 2008년 주택 시장의 폭락이 감정의 하락과 일치하는 것이지 균일하지 않은 것을 봅니다.
	가장 큰 하락은 서부 해안에서 입증된 것 같으므로 다시 샌프란시스코 지역, 뉴욕 지역, 그리고 다음을 포함하는 애틀랜타 지역입니다.
	내가 살고 있는 플로리다는 미국에서 특히 타격이 큰 지역이었습니다. 그리고 사실 맨 아래 줄을 내려다보면 플로리다가...
	다른 지역에 비해 2012년경이 되어서야 일반 지역에서 감정이 회복되는 것 같으며 이는 말이 되는 것 같습니다. 플로리다의 주택 시장은 전국적으로 마지막으로 회복된 시장 중 하나였습니다.
	그래서 우리는 감정에 대한 주관적인 측정을 가지고 있지만, 이 경우에는 외부 사건...경제적 사건을 우리가 예상하는 방식으로 추적합니다.
	그리고 다시 알다시피, 우리는 베이지색 책을 보고 있습니다. 공개적으로 사용할 수 있는 특히 좋은 예이기 때문입니다. 만약 너라면
	소비자 시장 조사와 같이 감정 분석을 적용하기 위한 더 일반적인 영역에 대해 이야기하고 있습니다.
	고객의 소리를 텍스트 데이터 형태로, 상품평, 설문조사 등의 답변을
	고객 행동을 더 잘 이해하기 위해 감정 분석을 사용할 수 있습니다. 마치 우리가 여기에서 감정을 사용하여 경기 침체를 더 잘 이해하거나 예측할 수 있는 것과 같습니다.
	그래서 저는 우리가 지난 몇 분 동안 여기에서 감정 점수를 보고 있다는 것을 깨달았습니다. 그리고 그것이 어디에서 왔는지에 대한 질문을 던지고 있습니다.
	따라서 JMP는 어휘 감정 분석이라는 감정 분석의 한 형태를 사용합니다. 그래서 감정 어휘를 사용하거나
	감정 사전
	우리가 어떤 감정을 담고 있다고 믿는 모든 개별 단어에 점수를 할당합니다. 따라서 환상적인 단어는 90점을 받을 수 있으며 이는 매우 긍정적입니다. 거의 긍정적인 최대값인 100에 도달하는 반면, 두려운 경우에는 마이너스 60점을 받습니다.
	이제 이러한 용어에 점수를 할당하고 기본적으로 개별 문서에서 계산하거나 평균을 취할 수 있습니다.
	그러나 우리는 몇 가지 다른 사항을 설명하고 싶습니다. 베이지북 예에서 우리가 본 첫 감정 문구는 심하게 우울했던 것을 기억한다면.
	다른 단어는 기본적으로 감정 승수인 강화기라고 부르는 것의 예입니다. 여기에서 볼 수 있듯이 감정 점수가 1.4인 승수를 믿을 수 없을 정도로 선언할 수 있습니다.
	0.3으로 조정하므로 감정의 크기가 약간 감소합니다.
	따라서 감정 용어와 함께 강화자가 나타나면 해당 곱셈을 수행한 다음 부정자가 발생하는 경우에도 수행합니다. 그래서 우리는 말합니다.
	알다시피, 어떤 것이 아니오이거나 하지 않거나 해서는 안 되거나 하지 않아야 합니다. 우리는 음수를 곱하여 기본적으로 기호를 뒤집습니다. 양수는 음수가 되고 그 반대도 마찬가지입니다.
	따라서 어떤 감정 문구에 대해서도 이 간단한 곱셈을 수행한 다음 문서 전체에 걸쳐,
	평균 점수 또는 최소 감정 점수와 최대 감정 점수의 차이를
	해당 문서에 대한 감정 값을 계산합니다. 그리고 그것이 우리가 그 그래프에서 보고 있던 것입니다. 그래서 그 지도에서 시간에 따른 감정의 그래프입니다.
	이것이 어휘 감정 분석입니다. 이는 매우 일반적인 관행이며 JMP에서 구현되는 감정 분석 유형입니다. JMP가 있는 경우
	모든 감정 점수를 계산하면 많은 유용한 정보를 얻을 수 있습니다. 다음은 감정 분석 보고서의 모양에 대한 예입니다.
	결과의 한 요소만 미리 보기 위해 여기 맨 위에 모든 문서에 대한 감정에 대한 간단한 요약이 있습니다.
	그래서 우리는 전반적인 감정의 분포가 긍정적으로 기울어져 있고 부정적인 감정 꼬리가 꽤 강하다는 것을 보여주는 색상으로 쉽게 구분되는 히스토그램을 가지고 있습니다.
	우리는 모든 문서에서 평균 감정 점수가 4.1이므로 중립보다 약간 높다는 것을 알 수 있습니다.
	전체적으로 긍정적인 문서가 3,900건인 모든 문서의 평균 점수는 22.9인 반면, 약 1,400건의 부정적 문서에서는
	평균 점수는 음수 15.4이므로 음수 문서는 긍정적 문서가 매우 긍정적인 것만큼 부정적인 문서가 아닙니다.
	자, 물론, 알다시피, 여기 베이지색 책이 있는 경우, 1970년의 경우부터 현재까지의 평균 감정 점수만 보면 알 수 있습니다. 아마, 알다시피, 개별 문서의 점수를 보거나
	아마도 특정 감정 용어의 분포를 보고 있을 것입니다. 하지만 다시 말하지만, 데이터를 처리하는 경우
	예를 들어, 소비자 시장 조사, 고객의 목소리가 있는 모든 텍스트 데이터, 이러한 데이터를 기반으로 고객이 얼마나 긍정적 또는 부정적으로 느끼는지 잘 알 수 있는 이와 같은 높은 수준의 요약만으로도 우리는 가지고,
	간단한 보고서라도 정말 가치가 있습니다. 그러나 우리는 JMP로 전환하려고 하고 있으며 감정 분석 보고서에 통찰력을 얻기 위해 데이터를 탐색하는 많은 추가 방법이 포함되어 있음을 알게 될 것입니다.
	이제 JMP로 이동하여 수행 방법을 살펴보겠습니다.
	JMP Pro 16.1을 사용 중입니다. 이 베이지북 데이터에 대해 알아보기 전에 Xan Gregg에게 인사를 드리고 싶습니다.
	그를 모르시는 분들을 위해 Xan은 우리 개발 팀의 이사입니다. 그는 Graph Builder의 창시자입니다.
	그리고 그는 원래 Beige Book 데이터를 살펴보자는 아이디어를 생각해 낸 사람이기도 하며 Beige Book의 아카이브에서 html 페이지를 긁어 내고 멋진 JMP 데이터 테이블을 제공할 정도로 친절했습니다. 정말 감사합니다, Xan.
	자, 이제 감정 분석을 살펴보겠습니다. 실제로 결과를 살펴보는 대신
	알아야 할 몇 가지 중요한 고려 사항이 있으므로 분석을 간단히 설정하는 방법을 보여 드리고자 합니다.
	JMP가 구현하는 방법뿐만 아니라 일반적으로 감정 분석 또는 어휘 감정 분석을 수행하는 방법과 관련하여.
	그리고 그 설정을 보여주기 위해 실제로 2010년부터 현재까지 데이터의 하위 집합만 살펴보겠습니다. 이 경우에는 상황을 간단하게 유지하기 위해
	텍스트 탐색기를 사용하여 분석을 여러 번 자동 업데이트하고 가능한 한 즉각적으로 수행되기를 바랍니다.
	여기에 데이터의 하위 집합이 있으므로 2010년 1월부터 지난 달 가장 최근 보고서까지 12개 지구 전체에 대한 베이지북 보고서가 있습니다.
	좋습니다. 감정 분석을 시작하기 위해 분석으로 이동하여 텍스트 탐색기를 선택하겠습니다. 텍스트를 가져 와서 텍스트 열 역할에 넣으십시오. 몇 가지 주의할 점.
	하나는 텍스트 탐색기가 일반적으로 여러 언어를 지원하지만
	감정 분석은 현재 영어로만 제공됩니다.
	그리고 다른 하나는...적어도 숙련된 텍스트 탐색기 사용자라면 형태소 분석을 켜는 데 익숙할 수 있으며 지금은 이 기능을 생략할 것이라는 사실을 알게 될 것입니다.
	형태소 분석을 모르는 사람들을 위해 동일한 단어 또는 언어학적으로 동일한 보조어의 여러 형태를 접는 방법입니다. 그러니 강하고, 강하고, 강하게 취하십시오.
	우리는 그들 모두에 걸쳐 무너질 것이고, 그들은 우리의 목적을 위해 모두 강하다고 말할 것입니다.
	그리고 분명히 우리는 여기에서 그렇게 하고 싶지 않습니다. 왜냐하면 가장 강한 것은 더 강한 것보다 더 긍정적이고, 이는 강한 것보다 더 긍정적이기 때문입니다.
	따라서 우리는 형태소 분석을 해제한 상태로 둡니다. 실제로 감정 분석을 호출한 후 이를 켠 경우에도 해당 형태소 분석을 무시할 것입니다. 다시 말하지만 실제로 사용해서는 안 되기 때문입니다.
	확인을 클릭하겠습니다. 아니요. 그렇게 했을 때 약간의 기술적인 문제가 발생한 것 같습니다. 최근에 제 컴퓨터에 이상한 일이 일어나고 있어서 죄송합니다. 하지만 괜찮습니다. 화면 공유를 다시 시작하고 내 비디오를 다시 가져올 수 있습니다. 안녕하세요, 여러분.
	그리고 우리는 그것을 공유할 것입니다. 좋아, 그래서 우리는 계속 가야 한다. 녹음이 아직 진행 중인 것 같다. 여기에서 JMP가 올바른 모니터에 할당되었는지 확인하겠습니다. 그런 것 같습니다. 알았어 다들 미안해. 어쨌든 다시 돌아가자.
	여기에 텍스트 탐색기 창이 있습니다. 이제 다시 익숙해지면
	텍스트 분석의 경우 일반적으로 중지 단어를 선언하는 것으로 시작한다는 것을 알 수 있습니다. 예를 들어, 사람들은 업계에서 내 연락처에 대해 이야기하고 있습니다. 그리고 제가 분석할 때 연락처라는 단어를 사용하고 싶지 않다는 것을 알고 계시기 때문에 일반적으로
	그것을 중지 단어로 추가한 다음 잠재적으로 몇 시간 동안 진행합니다.
	실제로 내 분석을 수행하기 전에 중지 단어를 선언하면 감정 분석으로 그렇게 할 필요가 없습니다.
	모두 그 감정 사전을 기반으로 하므로 연락처와 같은 단어는 사전에 없습니다. 어쨌든 기능적으로 제외되므로 시간을 절약할 수 있는 좋은 방법입니다.
	그러나, 예를 들어 부동산이나 여기에서 살펴보고자 하는 대출 수요라는 문구를 선언하고 싶을 것입니다.
	그래서 대출수요를 누르고 문구로 추가합니다. 그것은 우리의 용어 목록에 놓였으므로 빨리 찾아봅시다.
	1,139개의 인스턴스가 있습니다. 그리고 이것은 이러한 분석이나 이 보고서에서 하위 도메인으로 드릴다운하는 데 도움이 됩니다.
	이 데이터 세트에서. 따라서 전체가 아니라 대출 수요에 대해서만 감정을 계산하고 싶다고 상상해 보십시오.
	그렇게 하려면 먼저 구문으로 선언해야 하므로 최소한 관심이 있을 수 있는 정말 눈에 띄는 도메인에 대해 일부 구문을 살펴보고 선언하는 것이 합리적입니다.
	자, 이제 이를 닫고 실제로 감정 분석을 시작하겠습니다.
	그리고 당신은 내가 그렇게 할 때 완전한 보고서를 얻을 것이고, 그래서 제 결과를 탐색하기 시작할 때인 것처럼 보일 수도 있습니다. 왜냐하면 이것은 완료된 분석처럼 보이기 때문입니다. 그러나 저는 이것을 사용하는 사람이 브레이크를 밟고 감정 사전을 고려하도록 권장하십시오.
	서로 다른 언어를 사용하여 서로 다른 상황에서 텍스트를 생성하는 서로 다른 사람들의 그룹
	다양한 방법으로 언어를 사용할 수 있습니다. 그리고 당신의 감정을 조정하고 부정 용어 목록을 강화하는 것이 중요합니다.
	그것을 반영하기 위해. 그래서 그것은...절대 사용하는 것을 주저하지만, 저는...기본 감정 사전을 사용하지 말라고 말할 것입니다. 직접 큐레이트하면 항상 더 유효한 결과를 얻을 수 있습니다.
	여기에서 감정 용어로 이동하면 점수가 상대적으로 희소한 이 내장 사전을 기반으로 한다는 것을 알 수 있습니다.
	그러나 실제로 텍스트의 일부를 읽고 사전에 포함되어야 하는 더 많은 단어를 식별할 수 있는지 확인하고 싶습니다. 나는 당신이 통과하고 싶어 할 수도 있다고 언급해야합니다
	기본 제공 목록과 일부 제외, 해당 목록이 상대적으로 희소하므로 이상적으로는 너무 많거나 아예 제외할 필요가 없습니다.
	따라서 보고서 아래에는 단순히 결과를 탐색하는 것이 아니라 사전을 선별하는 몇 가지 도구가 있습니다. 이 문서 테이블에서 문서를 선택하고 텍스트를 불러올 수 있습니다.
	바로 아래. 그럼 잠시 화면 아래로 내려가겠습니다. 그 텍스트에서 강조 표시된 것을 볼 수 있습니다. 감정 용어와 구문은 이미 약간 더 나은 것처럼 발견되었습니다.
	그러나 예를 들어 여기에서 약하다는 단어가 있습니다. 현재 조건은 여전히 약하며 제가 말할 수 있는 한 이것은 매우 일반적인 것입니다.
	Beige Book 보고서의 용어는 무언가가 본질적으로 나쁘다는 것을 나타냅니다. 저는 경제학자는 아니지만 아마도 경제학에서는
	알다시피, 약한 것은 나쁜 것과 동의어이고, 강한 것은 좋은 것과 동의어입니다. 이 데이터를 꽤 많이 살펴본 제 생각입니다.
	이제 강조 표시되지 않았음을 알 수 있습니다. 즉, weak는 현재 내 사전에 없지만 정말 쉽게 추가할 수 있습니다. 난 그냥 그 위에 마우스를 올려
	용어가 텍스트에 있고 부정어로 추가할 수 있습니다. 강화 값이나 감정 값을 줄 수 있으므로 적당히 음수이므로 음수 60을 클릭하겠습니다.
	이제 내 사전에 추가되고 모든 감정 점수가 실시간으로 다시 계산됩니다.
	그래서 내 감정 용어 목록은 이제 약함을 선택하고 모든 인스턴스를 볼 수 있습니다. count 열의 해당 테이블로 돌아가면 Beige Book 데이터의 이 하위 집합에서 1,012번 발생하는 것 같습니다.
	따라서 확실히 문서의 무작위 하위 집합 또는 계층화된 무작위 하위 집합을 읽고 읽고 사전에 속하는 감정 용어를 식별해 보십시오.
	이제 이 가능한 감정 목록과 같은 편리한 기능에 의존할 수도 있습니다.
	이는 실제로 귀하의 고려 사항에 대한 잠재적인 감정 용어를 제공합니다. 나는 강한 것이 여기에 있다는 것을 알 수 있었고 나는 약한 것을 넣었습니다. 나는 확실히 강한 것을 원하고 그래서 나는 그것을 선언할 것입니다
	강한.
	그리고 저는 바로 가기 버튼을 사용해왔습니다. 양수 60, 음수 60, 음수 100에서 100 사이에서 원하는 점수를 입력할 수 있습니다. 그래서 실제로 강함을 위한 50점만 원할 수도 있습니다. 그래서 제가 하고 지금 바로 아래를 보시면 자동업데이트가 다 나오는 것을 보실 수 있습니다.
	따라서 감정 용어 목록을 잘 관리하십시오. 또한 부정 강화 용어를 수행하는 메커니즘을 살펴보지는 않겠지만 동일한 아이디어가 적용됩니다.
	도메인을 실제로 반영할 수 있는 권리를 얻은 다음 빨간색 삼각형 아래에서 항상 전체 용어 관리 도구로 이동하여 수동으로 일부 용어를 입력할 수 있습니다. 90점을 원합니다.
	그래서 여기에 일종의 배치 형식을 추가할 수 있습니다.
	매번 자동 업데이트하지 않고 감정 용어 목록을 가져오고 내보낼 수도 있습니다.
	다른 사람들과 공유하고, 휴대 가능하게 만들고, 작업을 추적하고 복제할 수 있도록 하는 데 유용합니다.
	결과가 감정 용어 목록과 강화 및 부정에 얼마나 많이 의존하는지에 따라 세트 목록이 있을 때 완전히 문서화하고 새로운 분석 및 복제.
	분석을 설정하는 것으로 충분합니다. 감정 분석을 호출하면 보고서를 받게 되지만 해당 보고서에 바로 뛰어들지는 않는다는 점을 강조하고 싶습니다. 먼저 사전을 큐레이트하십시오.
	그래서, 이제 나는
	그 점을 무자비하게 집에 두고, 실제로 그 보고서를 살펴보자.
	이제 제가 할 일은 완전히 구운 보고서를 가져오는 것입니다. 이 경우에는 5,300+
	베이지북은 여기에서 보고합니다. 따라서 이전에 언급했듯이 결과 섹션에는 이 전체 요약이 있습니다. 우리는 그것을 다시 실행하지 않을 것입니다. 우리는 당신이 또한 보았다
	모든 개별 문서를 볼 수 있으므로 모든 문서에서 점수가 매겨진 방식과 문서에 나타나는 내용을 볼 수 있습니다. 맥락에서 감정 용어와 구의 사용을 탐색합니다.
	또한 이 표에서 문서에 대한 총 긍정 점수와 같은 여러 편리한 측정값을 볼 수 있습니다.
	문서에 있는 긍정적인 감정 문구의 평균 점수입니다. 음수와 전체 점수도 마찬가지입니다.
	이 값 위로 마우스를 가져가면 실제로 어떻게 계산되는지 보여줍니다. 그래서 음수 평균을 보면 총 7개의 용어가 있다는 것을 알 수 있습니다. 그 점수가 얼마인지, 평균이 얼마인지 알 수 있습니다.
	또한 이 경우 부정적인 평균은 긍정적이고 부정적인 모든 감정 용어의 평균 점수임을 알 수 있습니다.
	이 보고서의 요소 위로 마우스를 가져가면 유용한 정보가 표시되는 편리한 방법이 많이 있습니다. 저는 강력히 추천합니다. 그냥 사용해 보세요. 다른 위치에서 마우스를 가져갑니다. 아마도 유용한 것을 찾을 수 있을 것입니다.
	이제 일반적으로 이와 같이 텍스트 마이닝을 수행할 때 개별 문서를 너무 세게 보지 않습니다. 내 말은, 우리가 그것들을 모두 읽을 수 있다면,
	그러면 우리는 할 것입니다. 내 말은, 우리는 컴퓨터보다 언어를 더 잘 이해합니다. 따라서 5,300개 문서의 전체 컬렉션을 살펴보는 것이 아니라 점수별로 정렬하고 가장 부정적인 항목만 살펴보도록 할 수 있습니다.
	보고서를 보고 실제로 읽어보고 다음 아이디어를 얻습니다.
	사람들이 특히 부정적일 때 그들은 무엇에 대해 부정적입니까? 그 부정성을 유발하는 요인에 대해 무엇을 배울 수 있습니까? 특히 소비자 조사에서, 알다시피, 제품 리뷰를 보는 것과 같은 설문 조사에서는 정말 가치가 있을 수 있습니다.
	우리는 또한 당신이 당신의 감정 용어 목록을 가지고 있는 것을 보았습니다. 여기에서 우리는 나타나는 모든 다른 감정 용어, 얼마나 자주 나타나는지, 그리고 그들의
	그들과 관련된 점수. 그리고 그 중 하나를 잡으면 컨텍스트에서도 해당 용어를 볼 수 있습니다. 따라서 사용되는 특정 감정 용어가 있는 경우
	매우 일반적으로 데이터에서 사람들이 데이터를 사용하는 이유 또는 사용하도록 유도하는 이유를 알아보기 위해 컨텍스트에서 더 잘 이해하고 싶을 수 있습니다. 용어를 선택한 다음 아래 텍스트를 탐색하기만 하면 매우 쉽습니다.
	이제 마지막으로 감정 분석에서 가장 유용한 기능 중 하나가 이 기능 탭 아래에 있다고 생각합니다.
	검색을 클릭하면 감정 용어와 함께 자주 발생하는 비감정 용어를 찾아 드릴다운 분석을 수행할 수 있습니다. 여기에서 해당 항목에 대해서만 감정을 평가합니다.
	선택한 용어, 또는 기능이라고 하는 것 또는 하위 도메인이라고 부를 수도 있습니다. 그래서 아마도 판매에 대한 감정과 우리는 판매가 약하고 판매가 약해진 것으로보고되었음을 알 수 있습니다.
	또는 내가 잠재적으로 어떤 표현을 하고 싶다고 말했을 때 이전으로 돌아가기 위해. 이 목록에서 대출 수요를 찾아보자.
	대출 수요에 관한 감정에 대해서만 모든 문서에 점수를 매기겠습니다. 물론 이것은 일부를 사용하고 있습니다.
	어떤 감정 문구가 대출 수요에 적용되고 적용되지 않는지 결정하기 위한 자연어 처리 및 모든 NLP 방법을 사용하면 100% 정확하지는 않지만 정확성, 특히 잘 구성된 텍스트에서
	베이지북이 보고하는 방식대로, 그것은 꽤 잘 작동하는 것처럼 보입니다. 이제 예를 들어 대출 수요에 대해 어떻게 느끼는지 알 수 있습니다.
	이 모든 보고서에서? 그리고 일반적으로 긍정적인 것처럼 보이지만 일부 특히 부정적인 보고서가 있습니다.
	여기에서 마지막으로 언급할 사항은 우리를 완전한 원으로 되돌리기 위해 아마도 내가 이것을 할 때 스파이크가 있어야 한다는 것을 알아차릴 것입니다. 그리고 그것은...양수 60과 음수 60처럼 보입니다.
	그리고 이것은 이 분석을 수행할 때 감정 사전을 선별하고 결과를 해석할 때 어떻게 구축했는지 설명하는 것이 얼마나 중요한지 다시 강조하고 있습니다.
	따라서 여기에서 양수 60의 스파이크는 처음에 사전에 많은 감정 용어를 입력할 때 이 바로 가기 버튼을 사용하고 있었기 때문에 매우 잘 될 수 있습니다.
	그래서 저는 30, 60, 90개의 바로가기 버튼을 가지고 있으며
	양수 60 및 음수 60. 그리고 제가 점수를 더 세밀하게 만들기 위해 조금 더 주의를 기울였다면 아마 저는 이것을 제대로 보지 못했을 것입니다. 알다시피, 흥미롭습니다. 우리는 이것을 분포라고 부를 것입니다.
	그래서 나는 단지 당신의 감정 사전을 얻는 것이 얼마나 중요한지 다시 한 번 강조하기 위해 그것을 불러냅니다.
	사전에 함께 제공하고 나면 이 기능을 사용하여 글로벌 감정, 문서별 감정, 개별 용어 또는 하위 도메인별 감정에 대한 이 모든 유용한 정보를 갖게 됩니다.
	여기 섹션. 그리고 물론 JMP에 익숙할 것이므로 빨간색 삼각형 아래 다른 곳에서 사용할 수 있도록 수행한 작업을 가져와 저장해야 할 때 해당 옵션을 찾을 수 있습니다. 내 문서 점수를 저장할 수 있습니다.
	여기 있는 내 데이터 테이블로 돌아가면 실제로 저장한 것을 볼 수 있습니다. 이 경우에는 해당 대출 수요 하위 도메인에 대한 점수를 데이터 테이블로 돌아가서 사용할 수 있습니다. , 추가 분석 또는 그래프 작성에서 우리가 슬라이드용으로 만든 일부 그래프처럼.
	이것이 텍스트의 긍정적 감정과 부정적 감정을 정량화하기 위한 JMP Pro 16의 새로운 기능인 감정 분석입니다. 그리고
	그것으로, 제가 이야기하고 싶은 또 다른 새로운 텍스트 마이닝 기법인 용어 선택으로 넘어가겠습니다. 말했듯이 용어 선택은 어떤 결과, 즉 다른 측정과 관련된 단어를 식별하는 것입니다. 예를 들어 여기에서 알다시피,
	베이지 북 보고서 텍스트, 그러나 우리는 또한 통합할 수 있습니다
	경제 변수(예: GDP)와 베이지북 보고서의 특정 용어가 GDP와 어떻게 추적되는지 또는 경제가 침체에 있는지 여부와 같은 이진 변수를 사용하여 추적하는 방법을 확인합니다.
	이것은...용어 선택입니다. 여기에서 유용할 수 있는 다른 변수와 관련된 단어를 찾기 위한 범용 도구입니다.
	해석적 맥락에서 다른 변수의 동인을 찾기 위해 또는 예측 모델링 연습에서 무언가를 예측하는 용어를 식별하여 미래에 해당 용어를 사용하여 예측할 수 있습니다.
	그럼 용어 선택이 어떻게 작동하는지 봅시다. 그리고 실제로 여기에서 소비자 금융 보호국의 소비자 불만 사항과 다른 예를 살펴보겠습니다.
	데이터 베이스. 따라서 소비자는 금융 상품 또는 서비스에 대한 불만 사항이 있는 경우 CFPB에 해당 불만 사항을 입력할 수 있으며 CFPB는 해당 소비자와
	금융 상품 또는 서비스의 제공자. 다음은 이러한 데이터에서 찾을 수 있는 항목의 예입니다. 그래서 여기 누군가가 자신의 신용 보고서를 모니터링하고 있었고 $3,900에 대한 추심 통지서가 접수되었고 그것에 대해 아무것도 모른다고 주장하는 사람이 있습니다.
	또한 데이터 테이블에서 소비자가 이의를 제기했다는 열이 바로 옆에 있습니다. 여기에서 소비자가 이의를 제기했습니다. 이것이 의미하는 바는 그들이 다음으로부터 응답을 받았다는 것입니다
	금융 서비스 제공자와 그들은 그 응답이 만족스럽지 않아 이의를 제기했습니다.
	데이터 테이블의 헤더 그래프 사양에서 볼 수 있습니다. 그렇게 일반적이지 않습니다. 기본적으로 우리가 보고 있는 이 데이터 세트의 5분의 1 정도입니다.
	결과적으로 소비자 분쟁이 발생하지만, 귀하가 이 고객을 상대하는 금융 회사라면 어떤 응답을 발행한 다음 해당 응답에 계속 이의를 제기하는 것을 원하지 않을 것입니다. 어떤 유형의 불만 사항이 있는지 이해하고 싶을 수 있습니다.
	실제로 소비자 분쟁으로 이어지는 경우가 발생하여 분쟁이 발생할 가능성이 있는 항목을 사전에 식별할 수 있도록 하고,
	또는 분쟁 수를 줄이기 위해 분쟁 해결 관행을 더 잘 이해하십시오. 당신이 그것을 염두에두고 싶은 많은 이유가 있습니다.
	소비자 불만 서술 데이터를 통해 이러한 분쟁을 일으킬 수 있는 요인과 용어 선택이 수행하는 작업은 해당 결과, 해당 분쟁 변수와 관련된 텍스트에서 개별 용어를 찾는 것입니다.
	여기에서는 Y 축을 따라 용어 모음이 있는 용어 선택 분석을 수행한 결과로 만든 그래프가 있습니다. X에는 logworth가 있습니다.
	협회의 통계적 증거의 강도 측정. 따라서 이것은 실제로 logworth 값으로 정렬되므로 맨 위에는
	위반하고 거기에 작은 점을 볼 수 있습니다. 이는 실제로 여기에서 형태소 분석을 수행했음을 보여줍니다. 따라서 위반은 위반, 위반, 위반 등이 될 수 있음을 의미합니다.
	따라서 우리는 해당 용어 위반이 소비자 분쟁과 관련되어 있다는 강력한 통계적 증거를 가지고 있으며 실제로는 색상 코딩,
	나는 여기에 승산비 측면에서 효과의 강점이 있습니다. 그래서 사람들이...누군가 그 단어를 언급할 때,
	분쟁의 확률은 약 1.5배 증가합니다. 그래서 만약 내가
	금융 서비스 제공업체인 경우 해당 기간에 대해 살펴보고 싶습니다. 사람들이 특정 위반 사항을 주장하는 방법과 시기를 조사하고 싶습니다. 앞으로 보게 되겠지만, 이는 실제로 연방법 위반입니다.
	그들이 불만 사항에 대해 주장할 때, 우리가 그것들을 어떻게 처리하고 있습니까? 아마도 우리가 만족스럽게 처리하지 않는 것처럼 보이기 때문입니다.
	문제가 될 수 있는 불만 사항을 미리 표시하여 해결을 에스컬레이션할 수 있도록 예측 모델의 일부에서 해당 용어의 존재 여부를 사용하고 싶을 수도 있습니다.
	이 모든 것이 어떻게 작동합니까? 글쎄요, 우리는 문서 용어 행렬로 시작하는 모델을 만들고 있습니다. 이것은 텍스트의 표현입니다.
	행은 하나의 문서이고 각 열은 나타날 수 있는 하나의 용어입니다. 그리고
	이 경우 이진 가중치라고 하는 것이 있으므로 용어가 나타나면 하나만 입력합니다. 해당 문서에 해당 용어가 없으면 0을 입력합니다. 더 많은 가중치가 있지만 이 예에서는 이진법을 고수할 것입니다.
	모델의 예측 변수로 이러한 이진 열을 입력할 때 특히 다음을 사용합니다.
	JMP의 일반화된 회귀와 우리는 잠시 후에 그 이유를 알게 될 것입니다. 먼저 여기서 우리가 하고 있는 것이 회귀임을 지정하고 싶습니다. 사실 일부
	어떤 사람들은 용어 선택을 텍스트 회귀라고 하는 것을 듣게 될 것입니다.
	모델의 형태에 대해 너무 걱정하지 마십시오. 저는 우리가 하고 있는 것이 결과 변수를 취하고 있다는 점을 강조하려고 합니다.
	우리는 이진 변수를 가지고 있기 때문에 로지스틱 회귀에 대한 로그 확률입니다. 그리고 우리는 그것이 일부 절편 더하기와 같다고 말하고 있습니다.
	계수 곱하기 변수입니다. 이 경우 이진수 1 또는 0입니다. 위반 여부를 나타냅니다.
	플러스 다른 계수 값, 이 경우 음수 0.2배 다른 이진 변수; 여기에서 누군가가 끊었다는 용어를 언급했는지 여부 등입니다.
	그래서 우리는 이 모델에 많은 용어를 입력하고 일반화 회귀를 사용하여 모델에 속하는 용어와 그렇지 않은 용어를 선택합니다. 그리고
	여기에서 볼 수 있는 것은 해당 솔루션을 계산하는 JMP의 한 예입니다. 어떤 용어가 우리에게 속하고 어떤 용어는 그렇지 않습니다.
	여기 솔루션 경로에서 모델에 입력된 모든 항을 파란색으로 볼 수 있고 모델에 실제로 포함되지 않은 모든 항을 검정색으로 볼 수 있습니다. 왜냐하면 모델의 예측 값에 실제로 추가되지 않기 때문입니다.
	그래서 우리가 끝내는 것은 용어 목록입니다. 우리는 그들의 모델 계수 값을 가지고 있습니다. 예를 들어, 위반입니다. 저는 .4 값을 얻었습니다. 왜냐하면 그것이 실제로
	모델을 맞출 때 계수의 값입니다. 그리고 우리는 또한 앞서 언급했듯이 통계적 증거나 증거의 강도를 측정합니다.
	여기에서 이 logworth 값은 16.58입니다. 여기서 경험 법칙을 원하면 2보다 큰 값은 강력한 통계적 증거로 간주될 수 있지만 실제로 logworth는 p 값의 음수 log base 10이므로 다음 값은 2는 .01의 P 값에 해당합니다.
	그래서 우리는 두 가지를 모두 가지고 있습니다. 이 경우 계수와 함께 이것이 분쟁의 확률을 얼마나 강하게 증가 또는 감소시키는가? 그리고 나서 우리에게 말해줄 가치가 있는 기록이 있습니다. 이것에 대한 우리의 증거가 실제로 얼마나 신뢰할 수 있습니까?
	그리고 그 정보로 우리는 많은 일을 할 수 있고 JMP로 넘어가서 실제로 이 분석을 수행하는 방법을 알아보려고 합니다.
	그래서 저는 여기에서 다른 데스크탑으로 돌아왔습니다. 소비자 불만 데이터를 가져오겠습니다.
	그리고
	텍스트 탐색기를 처음부터 시작하는 대신 여기에서 테이블 스크립트를 사용하여 시작하겠습니다.
	그리고 우리가 보게 되겠지만, 일단 이것이 시작되면...죄송합니다. 잘못된 화면에 나타납니다. 우리는 거기에 갈.
	우리는 항상 분석에 실제로 입력될 용어 목록으로 시작합니다. 그런 다음 용어 목록에 속하는 특정 구를 선언할 수 있는 구 목록도 포함되어야 합니다.
	공정신용보고법과 같은 문구를 많이 포함시켰습니다. 해당 문구나 그 개념에 대한 언급이 소비자 분쟁과 관련이 있는 경우 그것을 찾고 싶기 때문입니다.
	그리고 내가 우리의...여기에서 중지 단어를 관리하기 위해 이동하면 내가 많은 중지 단어를 선언했음을 알 수 있습니다. 그래서 이것들은 모두 다음과 같은 단어입니다.
	분석에 포함하고 싶지 않습니다. 주로 다른 단어를 쓸어버릴 수 있기 때문입니다.
	정말 자주 나오는 단어일 수도 있고 가장 자주 사용되는 단어 500개만 분석해 달라고 하면 일일이 정리하고 싶지 않습니다.
	특히, can이 분쟁과 관련된 용어로 반환된 경우에도 내가 무엇을 할 것인지조차 정확히 알지 못하기 때문에...그것으로 무엇을 할 것인지, 또는 possible과 같은 일반적인 단어를 어떻게 해석할 수 있는지조차 모르기 때문입니다.
	따라서 중지 단어와 구문을 수행하는 데 시간을 할애하고 준비가 되면 빨간색 삼각형 아래에서 용어 선택을 호출합니다.
	그렇게 할 때 먼저
	결과 변수이며 이것이 이 소비자가 논쟁하는 것입니다. 그리고 우리는 분쟁이 일어날 확률에 대해 이야기하고 싶습니다.
	여기에서 연속 및 범주형 결과 변수를 설정할 수 있습니다. 둘 다 일합니다. 그리고 저는 또한 우리가 분쟁에 대해 이야기하고 있다는 점을 언급해야 합니다.
	알다시피, 실제로 감정에 대한 일종의 대리인이 될 수 있다고 생각할 수도 있습니다. 즉, 누군가가 무언가에 이의를 제기하는 경우 그것은 아마도 그들이 행복하지 않기 때문일 것입니다.
	그러나 일부 사람들에게는 감정의 직접적인 척도인 외부 변수가 있는 데이터가 있는 것이 일반적일 수 있습니다. 예를 들어 제품에 대한 별 등급은 실제로 만족도를 나타냅니다.
	따라서 텍스트 데이터와 함께 감정의 좋은 척도가 있는 경우 이와 같은 도구를 사용하여 우리가 호출하는 작업을 수행할 수 있습니다.
	데이터 파생 감정 분석, 이 도구를 사용하여 감정 측정을 예측하는 용어를 마이닝함으로써 기본적으로 감정 용어를 선택하고 자동으로
	그들의 점수가 어떠해야 하는지를 찾는 것. 그래서 꽤 편리할 수 있습니다. 우리가 여기서 하는 일이 그게 아닙니다. 우리는 더 일반적인 방법을 사용하고 있습니다.
	자, 문서 용어 행렬의 경우 이진 가중치를 사용하겠습니다. 상황을 간단하게 유지하기 위해 가장 자주 사용되는 200개의 용어만 살펴보겠습니다.
	그 외에도 201학기부터 분석에 포함하지 않겠습니다. 실제로는 더 많은 것을 포함할 것입니다. 단지 데모용으로 멋지고 보기 좋게 만들기를 원하기 때문입니다.
	GenReg 사용자라면
	추정 및 검증 방법을 미리 지정하기 위한 wome 옵션. 기본값으로 두고 실행을 클릭하겠습니다.
	그래서 일어나고 있는 일은 JMP가 GenReg에 전화를 걸고 있다는 것입니다. 로지스틱 회귀 모델을 구축하고 탄력적 그물 방법을 사용하여 변수 선택을 수행하고 있습니다.
	방금 두 번째 기술적 결함이 발생한 것 같습니다. 정말 죄송합니다. 이 모델이 적합하면 해결해 드리겠습니다. 그럼 봅시다. 우리는 내 화면 공유를 다시 가져올 것입니다.
	우리는 나를 다시 데려올 것이다. 아직 녹음 중인 것 같으니 바로 진행하겠습니다. 여기 결과가 있습니다.
	보고서에 대해 자세히 알아보기 전에 먼저 요약 테이블에서 이 한 행만 살펴보겠습니다. 이것은 내가 지금까지 만든 단일 모델을 요약한 것입니다.
	예를 들어, 145개의 용어를 반환한 것을 볼 수 있습니다. AICc를 유효성 검사로 사용했으며 AICc 값이 있습니다. 다른 적합 통계를 볼 수 있습니다.
	그리고 다른 모델과 마찬가지로 데이터에 가장 적합한 모델을 구축하기 위해 모델에서 여러 번 실행하려고 할 수 있습니다.
	따라서 여기에서 일반화된 회귀 노드로 이동하면 GenReg가 실제로 텍스트 탐색기에 포함되어 있음을 알 수 있습니다.
	우리가 잘 맞는 모델을 더 자세히 탐색할 수도 있고, 제 경우에는 실제로 더 잘 할 수 있는지 알아보기 위해 모델을 하나 더 맞출 것입니다. 적응형 탄성망을 만들어 봅시다.
	그리고 그 모델을 대신 장착하고 우리가 이미 장착한 일반 탄성 그물보다 성능이 더 좋은지 확인할 것입니다.
	좋아, 그래서 그 모델에도 잘 맞았다.
	요약으로 이동하면 이 항목이 이제 98개 용어를 반환하고 실제로 AICc가 더 낮으므로 더 적합할 수 있음을 알 수 있습니다.
	그래서 저는 그 모델로 갈 것입니다. 이제 원본을 사용하려면 클릭하기만 하면 됩니다. 보시다시피 아래 보고서는 이 표에서 내가 선택한 모델로 업데이트됩니다.
	여기 아래에 내 용어 목록이 있습니다. 우리는 이미 이것에 대해 이야기 했으므로 계수 측면에서 볼 수 있습니다. 그래서 여기에 가장...가장 큰 영향을 미치는 용어가 있으며, 이는 소비자 분쟁의 가능성을 높입니다.
	다음은 소비자 분쟁의 가능성을 줄이는 데 가장 큰 영향을 미치는 항목입니다. 예를 들어, 그 중 하나에서 전화 끊김을 보면 물론, 그들이 누군가에게 전화를 끊거나 누군가가 전화를 끊는 것에 대해 이야기하고 있다는 것을 알 수 있습니다. 어쩌면 우리가 이해하기에는
	이것은 실제로 의사 소통 문제처럼 들리고 해결하기가 조금 더 쉬울 수 있기 때문에 분쟁 가능성이 감소하는 것을 예측할 수 있습니다.
	다시 말하지만, 여기에서 logworth 값 2.883에 주의를 기울이고 싶습니다. 그래서 이것은 제가 이전에 언급한 경험 법칙 2보다 약간 높기 때문에 괜찮다고 말할 수 있습니다. 이것이 실제 값이라는 합리적으로 강력한 통계적 증거가 있다고 생각합니다. 협회.
	그 지점을 집으로 운전하기 위해 여기로 내려가면 경찰이라는 단어가 보입니다. 그리고 제 첫 인상은 사람들이 말하길, 글쎄요, 경찰 보고서를 작성했거나 경찰에 전화를 걸었다는 것입니다.
	그들은 아마도 우리가 어떤 응답을 하면 그냥 사라지지 않을 것입니다. 확률 논쟁입니다. 누군가 이미 경찰을 부를 수 있는 수준에 이르면 더 높아져야 합니다.
	그러나 우리가 보면
	logworth, 우리는 이것에 대한 통계적 증거가 실제로 그렇게 강력하지 않다는 것을 잘 알 수 있습니다. 그래서 그것이 내 직감을 위반하는 동안, 아마도, 아마도 완전히 실제가 아닐 수도 있습니다.
	확실히 내가 이것을 경영진에게 전달하고 사람들이 우리에게 경찰을 불렀다고 말한다면, 그것은 실제로 좋은 일이라고 말하고 싶은 정도는 아닙니다. 우리는 확실히 그렇게 말하지 않습니다. 여기 모델에 포함하기 위해 선택되었습니다.
	결과적으로 더 나은 피팅 모델이 생성되지만 결과를 해석할 때 우리 자신의 지식과 상식을 적용하는 것은 여전히 우리에게 달려 있습니다.
	따라서 이 표는 아마도 여러분이 정말로 하려고 하는 것이 용어를 식별하고 어느 정도의 효과를 정량화하는 것이라면,
	이것이 분석의 목표일 수 있습니다. 그래서 마우스 오른쪽 버튼을 클릭하고 데이터 테이블로 이동합니다.
	이러한 용어와 해당 계수 및 로그 가치의 데이터 테이블을 얻은 다음 이를 사용하여 이전 응답, 개선 노력에 대한 일부 분석을 안내하거나 앞으로 어떤 종류의 예측 모델에 포함되어야 하는 용어로 플래그를 지정할 수도 있습니다.
	하지만 여기에서 회귀 모델을 만들었습니다. 그래서 개별 문서 수준에서 다음에 대한 정보가 있습니다.
	분쟁 확률의 증가를 예측하는 계수의 합계, 감소를 예측하는 합계, 전체 모델 값, 확률
	모델이 할당한 논쟁과 우리가 실제로 관찰한 것. 따라서 개별 문서의 수준에서 실제로 평가할 때 예상할 수 있는 모든 것은 이 모델이 얼마나 잘 수행되는지에 대한 것입니다.
	맨 위에는 개별 문서와 그 문서의...우리가 기여라고 부르는 것에 대한 일반적인 요약도 있습니다.
	해당 계수 값의 합계 또는 평균입니다. 예를 들어, 30,412개의 문서에 계수 값과 평균 계수 값의 합이...양의 합계가 있는 것처럼 보입니다. 평균 기여도는 약 0.57입니다.
	다시 플래그입니다. 여기서 회귀 계수에 대해 이야기하고 있으므로 이러한 기여 값, 계수 테이블, 이 모든 것은 구성할 때와 같이 해석되어야 합니다.
	그렇지 않으면 선형 회귀 모델이므로 여기의 로지스틱 회귀에서는 다음을 해석해야 합니다.
	적절하게, 즉, 만약 우리가 그것들을 지수화한다면, 우리는 로그를 다루고 있거나...실례합니다...그러면 우리는 승산비를 다루고 있습니다, 그래서 승산이 증가하거나 감소하는 요인입니다 이 단어가 텍스트에 나타나는 경우.
	회귀에 대해 별로 관심이 없더라도 이 값은 더 일반적인 의미에서 여전히 유용할 수 있습니다. 그리고 가장 강력한 증거가 있거나 없는 로그워스도 마찬가지입니다.
	이제 마지막으로 상상할 수 있듯이 용어 테이블을 저장하는 방법을 이미 보았지만 목표가 해당 용어 테이블이 아니라 실제로 모델인 경우
	당신이 구축한, 당신은 뿐만 아니라 그것을 저장할 수 있는 옵션이 있습니다. 그래서 사용하려는 모델인 적응형 탄성망을 선택하고 빨간색 삼각형 아래에 예측 공식을 저장할 수 있습니다.
	그리고 내 컴퓨터가 여기에서 잠시만 휘저을 것입니다. 그래서 그것은 문서 용어 행렬을 저장하고 있습니다. 그래서 그것은 우리가 지정한 상위 200개 용어에 대한 것이었고 그 다음 공식도 있습니다.
	해당 열 또는 문서 용어 행렬에서 작동하여 실제로 모델을 계산합니다. 그래서 여기에 문서 용어 행렬이 있습니다.
	그런 다음 여기 끝에 있는 수식 열을 사용합니다. 이제 실제로 사용할 수 있습니다.
	내가 원하는 경우이 모델을 직접.
	이것이 용어 선택입니다. 다시 높은 수준에서, 우리는 어떤 용어가 우리가 관심을 갖고 있는 결과 변수와 가장 강력하게 연관되어 있는지를 찾고 있습니다. 이는 해당 결과를 주도하는 요인을 더 잘 해석하거나 심지어 해당 결과를 예측하기 위해 모델링 관행에 정보를 제공하기 위해서입니다.
	그리고 이것으로 JMP Pro 16의 두 가지 새로운 텍스트 마이닝 기능인 용어 선택 및 감정 분석이 지난 봄에 다시 소개되었습니다.
	나는 지금 잠시 어울리고 누군가에 대해 질문이 있으면,
	이 두 가지 새로운 기능이 있습니다. 또한 나중에 언제든지 이 프레젠테이션에 대한 사용자 커뮤니티 페이지에 추가 의견이나 질문을 게시할 수 있으며 저는 항상 주시하고 있습니다.
	모든 질문에 답하기 위해 열려 있습니다. 시간 내주셔서 감사합니다. 몸조리 잘해요.

브레이크아웃데이터 탐색통계 및 모델링Re: Text Mining Toolkit 확장: JMP Pro 16의 감정 분석 및 용어 선택(2021-US-45MP-851)

감사, @jgrayson .15 대 16에 대한 질문을 이해하지 못하는 것 같습니다. 명확히 해 주시겠습니까?

Re: Text Mining Toolkit 확장: JMP Pro 16의 감정 분석 및 용어 선택(2021-US-45MP-851)

엄청난!이것들을 기대하고 있습니다.지금은 16개만 가지고 있고 다른 사람들은 15개인 것 같습니다. 16도 가능한가요?

감사,

짐

Re: Text Mining Toolkit 확장: JMP Pro 16의 감정 분석 및 용어 선택(2021-US-45MP-851)

세미 라이브 프레젠테이션의 참석자 중 한 명이 감정 분석을 위한 참고 자료를 요청했습니다. 당시에는 좋은 답변이 없었지만 인터넷 검색을 몇 번 해보면 알 수 있습니다. 빙 류 교수 님의 작업이 좋은 출발점이 될 수 있습니다. 그의 2012년 책 감정 분석 및 의견 마이닝 Google Scholar에서 7,000개 이상의 인용이 있으며, 그는 또한 감정 분석: 감정, 의견 및 감정 채굴 . 류 교수의 감성분석 홈페이지 이 책들에 대한 정보와 주제에 대한 PDF 책 장 . 나는 Liu 교수의 작품을 읽지는 않았지만 읽어볼 만한 가치가 있을 것입니다.