398687_ko-KR

liliconcom

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

레벨: 중급

 

Ross Metusalem, JMP 시스템 엔지니어

 

텍스트 마이닝 기술을 사용하면 구조화되지 않은 텍스트 데이터에서 정량적 정보를 추출할 수 있습니다. JMP Pro 16은 텍스트 탐색기의 두 가지 추가 기능인 감정 분석 및 용어 선택 덕분에 텍스트에서 추출할 수 있는 정보를 확장했습니다. 감정 분석은 해당 텍스트의 단어를 감정 전달 용어 및 관련 점수의 사용자 지정 가능한 사전에 매핑하여 텍스트에 표현된 긍정적 또는 부정적 감정의 정도를 정량화합니다(예: "멋지다", +90; "끔찍함", -90). 결과 감정 점수는 사람들의 주관적인 감정을 대규모로 평가하고 객관적인 개념과 관련된 주관적인 감정을 탐색하고 추가 분석을 강화하는 데 사용할 수 있습니다. 용어 선택은 텍스트 탐색기 내부에서 호출되는 JMP Pro의 일반화 회귀 플랫폼의 정규화 회귀 기능을 적용하여 반응 변수를 가장 강력하게 예측하는 용어를 자동으로 찾습니다. 용어 선택은 중요한 결과 측정과 관련된 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 적용하는 방법을 보여 주며 각각을 효과적으로 사용하기 위한 몇 가지 모범 사례를 공유합니다.

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
로스 메투살렘	여러분, 안녕하세요. 지난 봄에 출시된 JMP Pro 16에서 JMP가 텍스트 마이닝 툴킷을 어떻게 확장했는지에 대한 프레젠테이션에 오신 것을 환영합니다.
	저는 로스 메투살렘입니다. 저는 JMP의 학술 홍보대사이며 이 두 가지 새로운 텍스트 마이닝 기능을 여러분과 공유할 것입니다.
	감정 분석 및 용어 선택. 우리는 그것들이 무엇이고 그것들과 JMP를 사용하는 방법에 대해 이야기할 것이고, 그런 다음 실제 공개적으로 사용 가능한 데이터에 대해 이러한 분석을 수행하는 두 가지 예를 볼 것입니다.
	따라서 감정 분석과 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 정량적 정보를 도출할 수 있습니다. 단어 빈도를 도출하는 것에서 무엇이든 될 수 있으므로 단어 구름을 만들 수 있습니다.
	의미론적으로 유사한 문서를 클러스터링할 수 있도록 잠재적인 의미론적 분석을 수행하는 것입니다. 따라서 오늘 보게 될 두 가지 기능은 텍스트 탐색기 도구 내의 기능입니다.
	JMP Pro 16에 도입하게 되어 기쁘고 인기 있고 자주 요청되는 기능인 감정 분석부터 시작하겠습니다.
	익숙하지 않은 사람들에게 감정 분석은 구조화되지 않은 텍스트 데이터에서 긍정적인 감정과 부정적인 감정을 정량화하는 것입니다.
	이제 우리가 살펴볼 예는 베이지북에서 나온 것입니다. 베이지북은 연준이 발행한 내러티브 보고서입니다.
	그리고 지도에서 볼 수 있듯이 연방 준비 은행은 12개의 서로 다른 지역으로 나뉘고 1년에 약 8번 각 지역에서 서술적인 베이지북 보고서를 발행합니다.
	해당 지역 자체의 현재 및 잠재적인 미래 경제 상황을 요약합니다. 그리고 이러한 보고서는 주로 질적 데이터 소스를 기반으로 합니다.
	비즈니스 리더와의 대화, 설문 조사 등이 있습니다. 그래서 저는 Beige Book이 감정 분석에 대한 좋은 예를 제공한다고 생각합니다.
	공개적으로 사용할 수 있는 데이터이고 여러분 모두와 공유할 수 있지만 또한 여러분이 투자자나 여러분이라면 매우 흥미로울 것이기 때문에
	아시다시피, 금융 기관을 관리하여 연방 준비 이사회 이사들이 국가의 다른 지역의 경제 상황에 대해 얼마나 긍정적 또는 부정적으로 느끼는지 알고 있습니다. 당신은 실제로 그것을 사용할 수 있습니다
	의사 결정을 안내하거나 정량화할 수 있더라도 일부 통계 분석, 어쩌면 일부 예측 모델에 사용할 수 있습니다.
	Beige Book에 있는 일부 텍스트의 예를 살펴보겠습니다.
	여기 보고서 중 하나의 스니펫이 있습니다. 맨 위부터 시작하여 이 보고서가 반면에 컴퓨터 판매가 심각하게 침체되었다는 것을 알 수 있습니다.
	반면, 바닥으로 내려가면 한 개인이 바람에 호조가 많다고 보고했기 때문에 "심각하게 우울함"과 "호의" 및 "개선"도 강조 표시했습니다.
	이것이 우리가 감정 문구라고 부르는 것이기 때문입니다. 따라서 일종의 긍정적이거나 부정적인 감정적 내용을 나타내는 하나 이상의 단어입니다.
	따라서 상단에는 심하게 우울하고 매우 부정적이며 그 다음에는 일반적으로 긍정적인 호의가 있습니다. 이 색상 코딩을 사용하여 주황색 대 이 파란색 또는 보라색(방법에 따라 다름) 당신은 그것을 참조하십시오)
	긍정적인 감정과 부정적인 감정을 각각 나타냅니다.
	그리고 많은 형태의 정서 분석이 바로 이 작업을 수행합니다. 그들은 텍스트에서 긍정적인 문구와 부정적인 문구를 찾습니다.
	JMP에서 사용하고 다른 곳에서 접할 수 있는 형식은 실제로 긍정적인 감정과 부정적인 감정을 지속적으로 정량화합니다.
	예를 들어 이 두 번째 텍스트 스니펫의 맨 아래를 보면 지역의 대형 백화점에서 매출이 저조하다고 보고하는 사람이 있는 것을 볼 수 있습니다.
	따라서 상단에는 판매가 심각하게 침체되어 있고 아래로 내려가면 판매가 저조한 것을 알 수 있습니다. 음, 우리 모두는 심각하게 우울한 소리가 더 나쁘게 들린다는 데 동의한다고 생각합니다.
	가난한 것보다 판매와 관련하여. 그래서 우리는 원할 수도 있습니다.
	둘 다 부정적이지만 심각하게 우울한 것을 가난한 것보다 부정적인 것으로 정량화합니다. 그래서 JMP에서 정서 분석을 수행합니다. 그리고 우리는 이야기 할 것입니다
	특히 이러한 점수가 계산되는 방법에 대해 매우 간략히 설명하겠습니다. 하지만 먼저 실제로 살펴보는 것이 좋습니다.
	이와 같은 용어와 문구를 개별적으로 살펴봄으로써 감정을 정량화하는 것이 타당하다는 것을 잠재적으로 입증할 수 있습니다.
	그리고 우리가 말하는 것은 본질적으로 문서에 나오는 단어를 기반으로 문서에 점수를 매기는 것입니다.
	우리가 생각하는 감정과 정도를 나타냅니다. 그리고 그것은 일종의 내부적이고 주관적인 것이지만 이 접근법, 감정 분석,
	실제로 일부 예측 타당성을 입증할 수 있습니다. 예를 들어 Beige Book 감정이 시간이 지남에 따라 추적되는 방식을 보면 경기 침체와 함께 실제로 상당히 안정적으로 추적되는 것을 볼 수 있습니다. 그래서 여기에 우리는 감정이 있습니다
	y 축에. -75에서 75까지 확장되는 것을 볼 수 있습니다. 이것이 바로 우리가 그린 범위입니다. 실제 척도는 -100부터 시작합니다.
	여기서 0은 중립입니다. 시간이 지남에 따라 모든 Beige Book 보고서에서 감정의 일반적인 추세를 캡처하는 것을 볼 수 있습니다.
	빨간색으로 강조 표시된 경기 침체와 관련하여 흥미로운 패턴을 볼 수 있습니다. 특히 각 경기 침체 이전에 심리가 안정적으로 떨어지는 것을 볼 수 있습니다.
	따라서 이것이 미국 연방준비제도이사회 이사들의 감정 상태라고 믿는 것에 대한 비교적 주관적인 척도이지만 제 말은 예상할 수 있는 경기 침체를 추적하고 있다는 것입니다.
	또한 실제로 지리적으로 충분히 흥미롭게 추적합니다. 예를 들어 2000-2001년경에 샌프란시스코 베이 지역에서 많은 인터넷 스타트업이
	아래로 갔다. 볼 수 있고 샌프란시스코에 대한 호버 레이블이 여기에 강조 표시되어 해당 지역의 점수를 볼 수 있습니다. 우리는 이전에 본 것처럼 주황색에 긍정적인 감정을 가지고 있고 파란색에 부정적인 감정을 가지고 있습니다.
	2000까지 쌓이는 것을 볼 수 있습니다.
	베이 지역에서는 38.65로 상당히 높았으며 2001년에는 평균 60포인트 이상 급락하여
	약 마이너스 24.7. 그리고 그것은 우리가 미국의 다른 지역에서 본 것보다 훨씬 더 큰 변동입니다. 왜냐하면 그 지역이기 때문입니다...아마도 그 지역이 가장 큰 영향을 받은 지역이기 때문입니다.
	그리고 우리는 대공황과 비슷한 것을 봅니다. 따라서 우리는 2008년 주택 시장의 폭락이 균일하지 않고 정서 하락과 일치하는 것을 봅니다.
	서부 해안에서 가장 큰 폭의 하락이 입증된 것 같습니다. 다시 샌프란시스코 지역, 뉴욕 지역, 애틀랜타 지역이 여기에 속합니다.
	제가 살고 있는 플로리다는 미국에서 특히 큰 타격을 입은 지역이었습니다. 사실 맨 아래 줄을 보면 플로리다가...
	다른 지역에 비해 2012년까지는 일반 지역에서 정서가 회복되지 않는 것 같으며 이는 이치에 맞는 것 같습니다. 플로리다의 주택 시장은 전국적으로 회복된 마지막 시장 중 하나였습니다.
	그래서 우리는 감정에 대한 주관적인 척도를 가지고 있지만, 이 경우에는 우리가 예상할 수 있는 방식으로 외부 사건과 같은 경제적 사건을 추적합니다.
	다시 말씀드리지만 Beige Book은 특히 공개적으로 사용할 수 있는 좋은 예이기 때문에 살펴보고 있습니다. 만약 너라면
	소비자 시장 조사와 같이 정서 분석을 적용할 수 있는 더 일반적인 영역에 대해 이야기하고 있습니다.
	고객의 소리를 텍스트 데이터 형태로 하여 상품평, 설문조사 응답,
	고객 행동을 더 잘 이해하고 예측하기 위해 감정 분석을 사용할 수 있습니다. 여기서 감정을 사용하여 경기 침체를 더 잘 이해하거나 예측할 수 있는 것처럼 말입니다.
	그래서 저는 우리가 여기에서 지난 몇 분 동안 감정 점수를 살펴봤다는 것을 깨달았고, 그것이 어디에서 왔는지에 대해 정말로 질문을 던집니다.
	따라서 JMP는 어휘 감정 분석이라는 감정 분석 형식을 사용합니다. 따라서 감정 사전을 사용하거나
	감정 사전
	우리가 어떤 감정을 가지고 있다고 믿는 모든 개별 단어에 점수를 할당합니다. 따라서 환상적인 것과 같은 단어는 90점을 받을 수 있으며 이는 매우 긍정적입니다. 그것은 거의 최대 양수인 100에 있는 반면, 한 쌍의 다운, 두려움은 -60의 점수를 얻습니다.
	이제 우리는 이러한 용어에 점수를 할당하고 기본적으로 개별 문서에서 이를 세거나 평균을 낼 수 있습니다.
	그러나 우리는 몇 가지 다른 사항을 설명하고 싶습니다. Beige Book 예에서 본 첫 번째 감정 문구를 기억한다면 심각하게 우울했습니다.
	심각하게 다른 단어는 기본적으로 감정 승수인 강조자라고 부르는 것의 예입니다. 여기에서 볼 수 있듯이 감정 점수가 1.4인 승수라고 믿을 수 없을 정도로 선언할 수 있습니다.
	0.3 단위로 조정하므로 감정의 크기가 약간 감소합니다.
	따라서 정서 용어와 함께 강화자가 나타나면 해당 곱셈을 수행한 다음 부정자가 발생하는 경우에도 수행합니다. 그래서 우리는 말합니다.
	아시다시피, 무언가가 아니오, 아니오 또는 하지 않아야 하거나 하지 않았습니다. 우리는 음수 1을 곱합니다. 그래서 우리는 기본적으로 부호를 뒤집습니다. 양수는 음수가 되고 그 반대도 마찬가지입니다.
	따라서 모든 감정 문구에 대해 이 간단한 곱셈을 수행한 다음 문서 전체에서
	평균 점수 또는 최소 감정 점수와 최대 감정 점수의 차이를 통해
	해당 문서에 대한 감정 값을 계산합니다. 그리고 그것이 우리가 그 그래프들에서 보고 있던 것입니다. 그래서 그 지도들에서 시간에 따른 감정의 그래프입니다.
	이것은 어휘 감정 분석입니다. 이는 매우 일반적인 관행이며 JMP에서 구현되는 감정 분석 유형입니다. 앞으로 살펴보겠지만 JMP가 있으면
	모든 감정 점수를 계산하면 유용한 정보를 많이 얻을 수 있습니다. 다음은 감정 분석 보고서가 어떻게 생겼는지에 대한 예입니다.
	결과의 한 요소를 미리 보기 위해 여기 맨 위에 모든 문서에 대한 간단한 감정 요약이 있습니다.
	그래서 우리는 전체 감정의 분포가 긍정적으로 기울어져 있음을 보여주는 쉽게 색상으로 구분된 히스토그램을 가지고 있습니다. 우리는 꽤 강한 부정적인 감정 꼬리를 가지고 있습니다.
	모든 문서에서 평균 감정 점수가 4.1로 중립보다 약간 높은 것을 볼 수 있습니다.
	전반적으로 긍정적인 모든 문서(3,900개)의 평균 점수는 22.9인 반면, 약 1,400개의 부정적인 문서 중
	평균 점수는 -15.4이므로 부정적인 문서는 긍정적인 문서가 매우 긍정적인 만큼 강력하게 부정적이지 않습니다.
	자, 물론 여기 Beige Book과 함께 1970년의 이 경우부터 현재까지 평균 감정 점수를 보면 알 수 있습니다. 개별 문서의 점수를 보는 것만큼 신경 쓰지 않거나
	특정 감정 용어의 분포를 살펴볼 수 있습니다. 하지만 다시 말하지만, 데이터를 다루는 경우
	예를 들어 소비자 시장 조사와 같은 것, 고객의 목소리가 있는 모든 텍스트 데이터, 고객이 얼마나 긍정적 또는 부정적인 감정을 느끼는지 잘 알 수 있는 이와 같은 높은 수준의 요약도 있습니다. 우리는
	단순한 보고서만으로도 정말 가치가 있을 수 있습니다. 그러나 우리는 곧 JMP로 전환할 예정이며 정서 분석 보고서에는 통찰력을 얻기 위해 데이터를 탐색하는 다양한 추가 방법이 함께 제공됩니다.
	이제 JMP로 이동하여 어떻게 수행되는지 살펴보겠습니다.
	이제 저는 JMP Pro 16.1을 사용하고 있습니다. 이 Beige Book 데이터를 살펴보기 전에 Xan Gregg에게 감사 인사를 전하고 싶습니다.
	Xan을 모르시는 분들을 위해 말씀드리자면 Xan은 저희 개발팀의 이사입니다. 그는 Graph Builder의 창시자입니다.
	그리고 그는 원래 Beige Book 데이터를 살펴보는 아이디어를 생각해낸 사람이기도 하며 친절하게도 Beige Book 아카이브에서 html 페이지를 스크랩하고 멋진 JMP 데이터 테이블을 제공하기도 했습니다. 대단히 감사합니다, 잰.
	자, 이제 감정 분석을 살펴보겠습니다. 결과를 살펴보는 대신
	알고 있어야 할 몇 가지 중요한 고려 사항이 있기 때문에 분석을 설정하는 방법을 간략하게 보여드리고 싶습니다.
	JMP가 이를 구현하는 방법뿐만 아니라 일반적으로 감정 분석 또는 어휘 감정 분석을 수행하는 방법과 관련하여.
	그 설정을 보여주기 위해 저는 실제로 2010년부터 현재까지 데이터의 일부만 살펴볼 것입니다. 이 경우에는 상황을 빠르게 유지하기 위해
	텍스트 탐색기를 사용하여 분석을 여러 번 자동 업데이트하고 가능한 한 거의 즉각적으로 업데이트하기를 원합니다.
	여기 데이터의 하위 집합이 있으므로 2010년 1월부터 지난달 가장 최근 보고서까지 12개 학군 전체에 대한 Beige Book 보고서가 있습니다.
	좋습니다. 감정 분석을 시작하기 위해 분석으로 이동하여 텍스트 탐색기를 선택하겠습니다. 텍스트를 가져와서 텍스트 열 역할에 넣습니다. 몇 가지 참고 사항.
	하나는 텍스트 탐색기가 일반적으로 여러 언어를 지원하지만
	감정 분석은 현재 영어로만 제공됩니다.
	그리고 다른 하나는 만약... 적어도 당신이 숙련된 텍스트 탐색기 사용자라면 형태소 분석을 켜는 데 익숙할 수 있으며 지금은 이 기능을 해제할 것임을 알 수 있을 것입니다.
	형태소 분석을 모르는 사람들에게는 동일한 단어 또는 언어학적으로 말하면 동일한 lemme의 여러 형태에 걸쳐 붕괴하는 방법입니다. 그러니 강하고 강하고 강하십시오.
	우리는 그들 모두에 걸쳐 무너질 것이고, 그들은 우리의 목적을 위해 모두 강하다고 말할 것입니다.
	그리고 분명히 우리는 여기서 그렇게 하고 싶지 않습니다. 왜냐면 가장 강한 것이 강한 것보다 더 긍정적이기 때문입니다. 이것은 강한 것보다 더 긍정적입니다.
	그래서 우리는 형태소 분석을 해제한 상태로 둡니다. 사실 감정 분석을 호출한 후에 기능을 켜더라도 형태소 분석은 무시할 것입니다.
	확인을 클릭하겠습니다. 아니요, 제가 그렇게 했을 때 기술적인 문제가 약간 있었던 것 같습니다. 최근에 제 컴퓨터에 이상한 일이 있어서 죄송합니다. 하지만 괜찮습니다. 화면 공유를 다시 시작하고 내 비디오를 다시 가져올 수 있습니다. 안녕하세요 여러분.
	그리고 우리는 그것을 공유할 것입니다. 알겠습니다. 계속 진행해야 합니다. 녹음이 계속 진행 중인 것 같습니다. 여기서 JMP가 올바른 모니터에 할당되었는지 확인하겠습니다. 그런 것 같습니다. 모두 죄송합니다. 어쨌든 다시 돌아가 봅시다.
	여기 텍스트 탐색기 창이 있습니다. 이제 다시 익숙해지면
	텍스트 분석에서는 일반적으로 불용어를 선언하는 것으로 시작한다는 것을 알고 있을 것입니다. 예를 들어, 사람들은 업계에서 내 연락처에 대해 이야기하고 있습니다. 그리고 제가 분석에 연락처라는 단어를 사용하고 싶지 않다는 것을 알고 계실 것입니다.
	중지 단어로 추가한 다음 잠재적으로 몇 시간 동안 진행합니다.
	실제로 분석을 하기 전에 불용어를 선언합니다. 감정 분석에서는 그렇게 할 필요가 없습니다.
	그것은 모두 감정 사전에 기반을 두고 있기 때문에 연락처와 같은 단어는 사전에 없습니다. 어쨌든 기능적으로 제외되어 있으므로 시간을 절약할 수 있는 좋은 방법입니다.
	그러나 예를 들어 부동산이나 여기 앉아 있는 대출 수요와 같은 문구를 선언하고 싶을 것입니다.
	그래서 대출요구를 클릭하고 문구로 추가합니다. 용어 목록에 표시되므로 정말 빠르게 찾아보겠습니다.
	1,139개의 인스턴스가 있습니다. 그리고 이것은 이러한 분석이나 이
	이 데이터 세트에서. 전체가 아니라 대출 수요에 대한 정서만 계산하고 싶다고 상상해 보십시오.
	그렇게 하려면 먼저 구문으로 선언해야 하므로 최소한 관심을 가질 수 있는 정말 눈에 띄는 도메인에 대해 몇 가지 구문을 살펴보고 선언하는 것이 합리적입니다.
	자, 이제 이를 종료하고 실제로 감정 분석을 시작하겠습니다.
	그리고 제가 그렇게 할 때 보시게 될 것입니다. 완전한 보고서를 받게 될 것입니다. 그래서 제 결과를 탐색할 때가 된 것처럼 보일 수 있습니다. 왜냐하면 이것은 완료된 분석처럼 보이기 때문입니다. 이것을 사용하는 모든 사람에게 브레이크를 밟고 감정 사전을 고려하도록 권장하십시오.
	서로 다른 언어로 서로 다른 상황에 대해 서로 다른 텍스트를 생성하는 사람들의 그룹입니다.
	다양한 방식으로 언어를 사용할 수 있습니다. 감정과 강화 부정 용어 목록을 맞춤화하는 것이 중요합니다.
	그것을 반영하기 위해. 그래서 그것은...절대라는 단어를 사용하는 것을 주저하지만...나는 절대 기본 감정 사전을 사용하지 말라고 말할 것입니다. 직접 선별하면 항상 더 유효한 결과를 얻을 수 있습니다.
	그래서 여기에서 감정 용어로 이동하면 점수가 상대적으로 희박한 이 내장 사전을 기반으로 한다는 것을 알 수 있습니다.
	하지만 실제로 일부 텍스트를 읽고 사전에 포함되어야 하는 단어를 더 식별할 수 있는지 확인하고 싶습니다. 나는 당신이 통과하고 싶을 수도 있다고 언급해야합니다
	기본 제공 목록을 사용하고 일부를 제외합니다. 하지만 해당 목록은 상대적으로 희소하므로 이상적으로는 너무 많이 또는 전혀 제외할 필요가 없습니다.
	따라서 우리 보고서에는 결과를 탐색하는 것뿐만 아니라 실제로 사전을 큐레이팅하기 위한 몇 가지 도구가 있습니다. 이 문서 테이블에서 문서를 선택하고 텍스트를 불러올 수 있습니다.
	바로 아래. 그럼 화면 하단에서 잠시 물러나도록 하겠습니다. 해당 텍스트에서 강조 표시된 것을 볼 수 있습니다. 감정 용어와 문구는 이미 약간 더 나은 것처럼 발견되었습니다.
	그러나 예를 들어 여기에 약하다는 단어가 있고 현재 상태는 여전히 약하며 내가 알 수 있는 한 이것은 매우 일반적인 현상입니다.
	Beige Book 보고서의 용어는 본질적으로 나쁜 것이 있음을 나타냅니다. 글쎄요, 저는 경제학자가 아니지만 아마도 경제학에서,
	알다시피 약함은 나쁨의 동의어이고 강함은 좋음의 동의어입니다. 이 데이터를 꽤 많이 본 제 생각입니다.
	이제 강조 표시되지 않은 것을 볼 수 있습니다. 즉, 약함은 현재 내 사전에 없지만 정말 쉽게 추가할 수 있습니다. 난 그냥 그 위에 마우스를 올려
	용어를 텍스트에서 바로 부정자로 추가할 수 있습니다. 강화 값이나 감정 값을 줄 수 있으므로 적당히 음수이므로 음수 60을 클릭합니다.
	이제 내 사전에 추가되고 모든 감정 점수가 여기에서 실시간으로 다시 계산됩니다.
	이제 내 감정 용어 목록에서 약한 항목을 선택하고 해당 항목을 모두 볼 수 있습니다. 카운트 열의 해당 테이블로 돌아가면 Beige Book 데이터의 이 하위 집합에서 1,012번 발생하는 것처럼 보입니다.
	따라서 문서의 임의 하위 집합 또는 층화된 임의 하위 집합을 검토하고 읽고 사전에 속하는 일부 감정 용어를 식별하려고 노력하십시오.
	이제 편리한 기능인 이 가능한 감정 목록에 의존할 수도 있습니다.
	이는 실제로 귀하가 고려할 잠재적 감정 용어를 제공합니다. 예를 들어 강한 것이 여기에 있고 나는 약한 것을 넣을 수 있습니다. 나는 확실히 강하기를 원하므로 그것이
	강한.
	그리고 저는 바로가기 버튼을 사용해 왔습니다. 아시다시피 양수 60, 음수 60이지만 음수 100과 100 사이에서 원하는 점수를 입력할 수 있습니다. 그래서 저는 그렇게 하고, 지금 바로 아래를 보시면 모든 것이 다시 자동 업데이트되는 것을 보실 수 있습니다.
	따라서 감정 용어 목록에 주의하십시오. 또한 나는 당신의 부정 강화 용어를 수행하는 메커니즘을 거치지 않을 것이지만 동일한 아이디어가 적용됩니다.
	귀하의 도메인을 실제로 반영할 권리가 있는지 확인한 다음 빨간색 삼각형 아래에서 항상 전체 기간 관리 도구로 이동하여 일부 용어를 수동으로 입력할 수 있도록 권장합니다. 90점을 주고 싶다.
	그래서 여기에 일종의 배치 형식을 추가할 수 있습니다.
	매번 자동 업데이트하지 않고 감정 용어 목록을 가져오고 내보낼 수도 있습니다.
	다른 사람들과 공유하고 휴대할 수 있으며 작업을 추적하고 복제할 수 있도록 도와줍니다.
	결과가 감정 용어 목록과 강화 및 부정에 얼마나 의존하기 때문에 설정 목록이 있을 때 완전히 문서화하고 또한 목록으로 가져올 수 있도록 내보낼 것을 권장합니다. 새로운 분석 및 복제.
	분석을 설정하는 데는 이것으로 충분합니다. 감정 분석을 호출하면 보고서를 받게 되지만 해당 보고서에 바로 뛰어들지는 않는다는 점을 강조하고 싶습니다. 먼저 사전을 선별하십시오.
	이제 내가
	집으로 무자비하게 그 지점을 이겼습니다. 실제로 그 보고서를 살펴보겠습니다.
	이제 제가 할 일은 완전히 구운 보고서를 가져오는 것입니다. 이 경우에는 5,300개 이상의
	베이지북은 여기에서 보고합니다. 이전에 언급했듯이 결과 섹션에는 이러한 전반적인 요약이 있습니다. 우리는 그것을 다시는 실행하지 않을 것입니다. 우리는 당신이 또한
	모든 개별 문서를 볼 수 있으므로 모든 문서를 보고 점수가 매겨진 방식과 내용을 확인할 수 있습니다. 문맥에서 감정 용어 및 구의 사용을 탐색합니다.
	이 표에서 예를 들어 문서의 총 긍정적 점수,
	문서에 있는 긍정적인 감정 문구의 평균 점수입니다. 음수와 전체 점수에 대해서도 마찬가지입니다.
	이 값 위로 마우스를 가져가면 실제로 어떻게 계산되는지 보여줍니다. 음수 점수 평균을 보면 총 7개의 용어가 있고 점수가 얼마인지 알 수 있고 평균이 무엇인지 알 수 있습니다.
	또한 이 경우 음수 1의 평균은 모든 감정 용어(긍정적 및 부정적)의 평균 점수임을 알 수 있습니다.
	이 보고서의 요소 위로 마우스를 가져가면 유용한 정보가 표시되는 편리한 방법이 많이 있습니다. 나는 적극 권장합니다. 그냥 사용해보십시오. 다른 위치에서 마우스를 가져갑니다. 당신은 아마도 뭔가 유용한 것을 발견할 것입니다.
	이제 일반적으로 우리는 이와 같이 텍스트 마이닝을 수행할 때 개별 문서를 너무 세게 보지 않습니다. 내 말은, 우리가 그것들을 모두 읽을 수 있다면
	그러면 우리는 할 것입니다. 제 말은, 우리는 컴퓨터보다 언어를 더 잘 이해한다는 것입니다. 따라서 5,300개 문서의 전체 컬렉션을 살펴보는 것이 아니라 점수별로 정렬하고 가장 부정적인 문서만 살펴볼 수 있습니다.
	보고서를 실제로 읽고 아이디어를 얻기 위해
	사람들이 특히 부정적일 때 그들은 무엇에 대해 부정적인가? 그 부정성을 유발하는 요소에 대해 무엇을 배울 수 있으며, 특히 소비자 조사에서 제품 리뷰를 살펴보고 이와 같은 설문 조사는 정말 가치가 있을 수 있습니다.
	또한 표시되는 다양한 감정 용어, 표시 빈도 및
	그들과 관련된 점수. 그리고 그것들 중 하나를 잡으면 문맥에서도 해당 용어를 볼 수 있습니다. 따라서 사용되는 특정 감정 용어가 있는 경우
	일반적으로 데이터에서 사람들이 데이터를 사용하는 이유 또는 데이터를 사용하게 만드는 요소를 확인하기 위해 컨텍스트에서 데이터를 더 잘 이해하고 싶을 수 있습니다. 그리고 용어를 선택한 다음 아래 텍스트를 탐색하는 것만으로 매우 쉽게 수행할 수 있습니다.
	이제 마지막으로 감정 분석에서 가장 유용한 기능 중 하나라고 생각하는 기능이 이 기능 탭에 있습니다.
	검색을 클릭하면 감정 용어와 함께 자주 발생하는 비감정 용어를 찾고 드릴다운 분석을 수행할 수 있습니다.
	선택된 용어, 또는 우리가 기능이라고 부르는 것, 또는 하위 도메인이라고 부를 수도 있습니다. 따라서 판매에 대한 정서만 보고 판매가 약한 것으로 보고되어 판매가 약화되는 것을 볼 수 있습니다.
	또는 잠재적으로 일부 문구를 사용하고 싶다고 말한 이전으로 돌아가십시오. 이 목록에서 대출 수요를 찾아봅시다.
	그리고 대출 요구에 관한 정서에 대해서만 모든 문서에 점수를 매기자. 그리고 물론 이것은 일부를 사용하고 있습니다.
	어떤 감정 문구가 대출 요구에 적용되고 적용되지 않는지 결정하기 위해 자연어 처리를 시도하고 NLP 방법을 사용하면 100% 정확하지는 않지만 특히 형식이 잘 갖춰진 텍스트에서 정확합니다.
	Beige Book 보고서와 같은 방식으로 꽤 잘 작동하는 것 같습니다. 이제 저는 예를 들어 그들이 대출 수요에 대해 어떻게 느끼는지 알 수 있습니다.
	이 모든 보고서에서? 일반적으로 긍정적인 것처럼 보이지만 특히 부정적인 보고서도 있습니다.
	여기서 마지막으로 외쳐야 할 것은 우리를 완전한 원으로 되돌리기 위해 아마도 제가 이것을 할 때 스파이크가 있어야 한다는 것을 알아차렸을 것입니다.
	그리고 이것은 이 분석을 수행할 때 감정 사전을 큐레이팅하고 결과를 해석할 때 어떻게 구축했는지 설명하는 것이 얼마나 중요한지 다시 한 번 강조합니다.
	그래서 여기에서, 60에서 이 급상승은 내가 처음에 사전에 많은 감정 용어를 입력했을 때 이 단축키를 사용했기 때문일 수 있습니다.
	30, 60, 90개의 바로가기 버튼이 있고 점수가 급증하는 것을 보기 위해 거의 몸을 만들고 있습니다.
	양수 60 및 음수 60. 점수를 좀 더 세밀하게 만들기 위해 조금 더 주의를 기울였다면 아마도 저는 이것을 보지 못했을 것입니다. 흥미롭게도 우리는 그것을 분배라고 부를 것입니다.
	그래서 나는 당신의 감정 사전을 얻는 것이 얼마나 중요한지 다시 한 번 강조하기 위해 그것을 호출합니다.
	먼저 함께 한 다음 이 기능을 사용하여 글로벌 정서, 문서별 정서, 개별 용어 또는 하위 도메인별 정서에 대한 모든 유용한 정보를 얻을 수 있습니다.
	여기 섹션. 그리고 물론 JMP에서 익숙하겠지만 작업을 수행하고 저장하여 빨간색 삼각형 아래의 다른 곳에서 사용할 수 있도록 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 내 데이터 테이블로 다시 가져와 사용할 수 있습니다. , 슬라이드용으로 만든 일부 그래프와 같은 추가 분석 또는 그래프에서.
	이것이 JMP Pro 16의 새로운 기능으로 텍스트에서 긍정적 감정과 부정적 감정을 정량화하는 감정 분석입니다. 그리고
	이제 제가 이야기하고 싶은 또 다른 새로운 텍스트 마이닝 기술인 용어 선택으로 넘어갑시다. 말했듯이 용어 선택은 일부 결과, 즉 일부 다른 측정과 관련된 단어를 식별하는 것입니다. 예를 들어 여기, 알다시피, 우리는,
	Beige Book 보고서 텍스트를 포함할 수도 있지만
	경제 변수(예: GDP)를 보고 Beige Book 보고서의 특정 용어가 GDP와 함께 어떻게 추적되는지 확인하거나 경제가 경기 침체에 있는지 여부와 같은 이진 변수로 추적할 수 있습니다.
	이것은...여기서 용어 선택은 유용할 수 있는 다른 변수와 연관된 단어를 찾기 위한 범용 도구입니다.
	해석적 맥락에서 다른 변수의 동인을 찾거나 예측 모델링 연습에서 무언가를 예측하는 용어를 식별하여 미래에 이러한 용어를 사용하여 예측할 수 있습니다.
	그럼 용어 선택이 어떻게 이루어지는지 살펴보겠습니다. 그리고 실제로 소비자 금융 보호국의 소비자 불만과 다른 예를 살펴보겠습니다.
	데이터 베이스. 따라서 소비자는 금융 상품이나 서비스에 대한 불만 사항이 있는 경우 CFPB에 해당 불만 사항을 입력할 수 있으며 CFPB는 해당 소비자와
	금융 상품 또는 서비스 제공자. 다음은 이러한 데이터에서 찾을 수 있는 예입니다. 그래서 여기 어떤 사람이 자신의 신용 보고서를 모니터링하고 있고 3,900달러에 대한 징수 통지가 제출되었는데 그들은 그것에 대해 아무것도 모른다고 주장합니다.
	또한 데이터 표에서 볼 수 있듯이 소비자가 이의를 제기했고 여기에서 소비자가 이의를 제기했다는 열이 바로 옆에 있습니다.
	금융 서비스 제공 업체와 그들은 그 응답에 만족하지 않았기 때문에 이의를 제기했습니다.
	데이터 테이블의 헤더 그래프 사양에서 볼 수 있듯이 그다지 일반적이지 않습니다. 기본적으로 우리가 보고 있는 이 데이터 세트의 약 5분의 1입니다.
	소비자 분쟁으로 이어지지만 이 고객을 상대하는 금융 회사라면 일부 답변을 발표한 다음 해당 답변에 대해 계속해서 이의를 제기하는 것을 원하지 않을 것입니다. 어떤 유형의 불만이 있는지 이해하고 싶을 수 있습니다.
	실제로 소비자 분쟁으로 이어질 가능성이 있는 항목을 사전에 식별할 수 있도록
	또는 귀하의 분쟁 해결 관행을 더 잘 이해하여 분쟁의 수를 줄이십시오. 당신이 그것을 염두에두고 싶은 많은 이유가 있습니다.
	소비자 불만 내러티브 데이터는 애초에 무엇이 이러한 분쟁을 유발하는지 확인하고 용어 선택이 수행하는 작업은 텍스트에서 해당 결과, 해당 분쟁 변수와 관련된 개별 용어를 찾는 것입니다.
	그래서 여기에 용어 선택 분석을 수행한 결과로 만든 그래프가 있습니다. 여기에서 Y축을 따라 용어 모음이 있습니다. X에는 logworth가 있습니다.
	협회의 통계적 증거의 강도를 측정합니다. 따라서 이것은 실제로 로그워스 값에 따라 정렬되므로 맨 위에는 다음이 있습니다.
	위반하면 거기에 작은 점이 보입니다. 이것은 실제로 우리가 여기에서 형태소 분석을 수행했음을 보여줍니다. 따라서 위반은 위반, 위반, 위반 등이 될 수 있음을 의미합니다.
	그래서 우리는 위반이라는 용어가 소비자 분쟁과 관련이 있다는 강력한 통계적 증거를 가지고 있습니다.
	여기에서 승산비 측면에서 효과의 강도가 있습니다. 그래서 사람들이...누군가 그 단어를 언급할 때, 위반,
	분쟁의 가능성은 약 1.5 배 증가합니다. 그래서 만약 내가
	금융 서비스 제공자라면 그 용어를 주의 깊게 살펴보고 싶을 것입니다. 저는 사람들이 특정 위반 사항을 언제 어떻게 주장하는지 조사하고 싶을 것입니다. 앞으로 살펴보겠지만 실제로는 연방법 위반입니다.
	그들이 불만 사항에서 주장할 때 우리가 그것들을 만족스럽게 처리하지 못하는 것처럼 보이기 때문에 우리가 그것들을 어떻게 처리하고 있습니까?
	예측 모델의 일부에서 해당 용어의 존재 여부를 사용하여 잠재적으로 문제가 있는 불만 사항을 미리 표시하여 해결 방법을 에스컬레이션할 수 있습니다.
	이 모든 것이 어떻게 작동합니까? 우리는 텍스트를 표현한 문서 용어 행렬로 시작하는 모델을 구축하고 있습니다.
	행은 하나의 문서이고 각 열은 나타날 수 있는 하나의 용어입니다. 그런 다음
	이 경우 이진 가중치라고 부르는 것이 있으므로 용어가 나타나면 입력합니다. 용어가 해당 문서에 나타나지 않으면 0을 입력하십시오. 더 많은 가중치가 있지만 예를 들어 바이너리를 고수할 것입니다.
	모델의 예측 변수로 이러한 이진 열을 입력할 때 특히 우리는 다음을 사용합니다.
	JMP의 일반화된 회귀와 잠시 후에 그 이유를 살펴보겠습니다. 먼저 여기서 우리가 하고 있는 것이 회귀라는 것을 지정하고 싶습니다.
	어떤 사람들은 용어 선택을 텍스트 회귀라고 부르게 될 것입니다.
	모델의 형태에 대해 너무 걱정하지 마십시오. 나는 단지 우리가 하고 있는 것이 우리가 어떤 결과 변수를 취하고 있다는 것을 강조하려고 합니다.
	이진 변수가 있기 때문에 로지스틱 회귀에 대한 로그 배당률이고, 우리는 이것이 어떤 절편을 더한 것과 같다고 말하는 것입니다.
	아시다시피 계수는 어떤 변수를 곱한 것입니다. 이 경우 이진수 1 또는 0입니다. 위반했는지 여부.
	다른 계수 값(이 경우에는 음수 .2 x 다른 이진 변수)을 더합니다. 여기에서 누군가 전화를 끊었다는 용어를 언급했는지 여부 등이 있습니다.
	그래서 이 모델에 많은 항을 입력하고 일반화된 회귀를 사용하여 모델에 속하는 항과 그렇지 않은 항을 선택합니다. 그리고
	여기에서 볼 수 있는 것은 해당 솔루션을 컴퓨팅하는 JMP의 예입니다.
	여기 솔루션 경로에서 모델에 입력된 모든 항을 파란색으로 볼 수 있고 실제로 모델에 포함되지 않은 모든 항은 예측 값에 추가되지 않기 때문에 검은색으로 표시됩니다.
	그래서 우리가 끝내는 것은 용어 목록입니다. 우리는 그들의 모델 계수 값을 가지고 있습니다. 예를 들어 위반하면 .4 값을 얻었습니다.
	모델을 적합할 때 계수 값. 또한 앞에서 언급했듯이 통계적 증거의 척도 또는 증거의 강도를 얻습니다.
	여기서 이 로그값은 16.58입니다. 경험 법칙을 원한다면 2보다 큰 값은 강력한 통계적 증거로 간주될 수 있지만 실제로는 로그값이 p 값의 음수 로그 밑수 10이므로 값은 다음과 같습니다. 2는 P 값 .01에 해당합니다.
	그래서 우리는 둘 다 가지고 있습니다. 이 경우에는 계수가 있습니다. 이것이 분쟁의 가능성을 얼마나 강하게 증가시키거나 감소시키는가? 그리고 나서 우리에게 말해줄 가치가 있는 기록은 이것에 대한 우리의 증거가 얼마나 믿을만한가 하는 것입니다.
	그리고 그 정보로 우리는 많은 일을 할 수 있으며 JMP로 이동하여 실제로 이 분석을 수행하는 방법을 보게 될 것입니다.
	그래서 저는 여기 다른 데스크탑으로 돌아왔습니다. 소비자 불만 데이터를 가져오겠습니다.
	그리고
	처음부터 텍스트 탐색기로 이동하는 대신 여기에서 테이블 스크립트를 사용하여 시작하겠습니다.
	그리고 우리가 볼 수 있듯이 일단 이것이 나타나면...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.
	공정신용보고법 같은 문구를 많이 넣었는데, 그 문구나 개념이 소비자분쟁과 연관이 있다면 찾아보고 싶기 때문입니다.
	그리고 내가 우리의...여기서 불용어를 관리하러 가보자. 내가 많은 불용어를 선언했음을 알 수 있을 것이다. 그래서 이것들은 모두
	주로 다른 단어를 집어삼킬 수 있기 때문에 분석에 포함하고 싶지 않습니다.
	정말 자주 나오는 단어일 수도 있고, 가장 자주 나오는 단어 500개만 분석하라고 했다면 그걸 더럽히고 싶지 않습니다.
	특히, 분쟁과 관련된 용어로 어빌리티가 반환되더라도 내가 정확히 무엇을 할지...그것으로 무엇을 할지 또는 어빌리티와 같은 일반적인 단어를 어떻게 해석할지조차 모르기 때문입니다.
	따라서 시간을 들여 불용어와 구를 만들고 준비가 되면 빨간색 삼각형 아래에서 용어 선택을 불러옵니다.
	그래서 우리가 할 때 우리는 먼저 우리를 선택합니다
	결과 변수이며 이 소비자가 이의를 제기했습니다. 그리고 우리는 분쟁이 발생할 확률 측면에서 이야기하고 싶습니다.
	여기서 연속 및 범주형 결과 변수를 설정할 수 있습니다. 둘 다 작동합니다. 또한 우리는 분쟁에 대해 이야기하고 있다는 점을 언급해야 합니다.
	아시다시피, 실제로 감정에 대한 일종의 대용물이라고 생각할 수 있습니다. 즉, 누군가가 무언가에 대해 이의를 제기한다면 아마도 그들이 행복하지 않기 때문일 것입니다.
	그러나 일부 사람들은 감성을 더 직접적으로 측정하는 외부 변수가 있는 데이터를 가지고 있는 것이 일반적일 수 있습니다. 예를 들어 제품에 대한 별점은 실제로 만족을 나타냅니다.
	따라서 텍스트 데이터와 함께 감정을 잘 측정할 수 있는 경우 이와 같은 도구를 사용하여 우리가 부르는 작업을 수행할 수 있습니다.
	데이터 파생 감정 분석 - 이 도구를 사용하여 감정 측정을 예측하는 용어를 마이닝하여 기본적으로 감정 용어를 선택하고 자동으로
	그들의 점수가 무엇인지 찾는 것. 따라서 꽤 편리할 수 있습니다. 그것은 우리가 여기서 하는 일이 아닙니다. 보다 일반적인 방법으로 사용하고 있습니다.
	좋습니다. 문서 용어 행렬에 대해 이진 가중치를 고수하겠습니다. 간결함을 유지하기 위해 가장 자주 사용되는 용어 200개만 살펴보겠습니다.
	그 외에도 201항부터는 분석에 포함하지 않겠습니다. 실제로는 아마 더 많이 포함할 것입니다. 아시다시피 데모를 위해 이것이 멋지고 간결하기를 원합니다.
	GenReg 사용자인 경우
	추정 및 검증 방법을 미리 지정하기 위한 wome 옵션. 기본값으로 두고 실행을 클릭하겠습니다.
	JMP가 GenReg를 호출하고 있는 것입니다. 로지스틱 회귀 모델을 구축하고 탄성망 방법을 사용하여 변수 선택을 수행합니다.
	두 번째 기술적 결함이 발생한 것 같습니다. 정말 죄송합니다. 이 모델이 적합한 대로 해결하도록 하겠습니다. 그럼 보자. 내 화면 공유를 다시 가져올 것입니다.
	우리는 나를 다시 데려 올 것이다. 아직 녹음 중인 것 같으니 바로 진행하도록 하겠습니다. 결과는 다음과 같습니다.
	보고서에 대해 자세히 알아보기 전에 먼저 요약 테이블에서 이 한 행만 살펴보겠습니다. 지금까지 구축한 단일 모델을 요약한 것입니다.
	예를 들어 145개의 용어가 반환된 것을 볼 수 있습니다. AICc를 유효성 검사로 사용했고 AICc 값이 있습니다. 다른 적합 통계를 볼 수 있습니다.
	그리고 모든 모델과 마찬가지로 데이터에 가장 적합한 모델을 구축하기 위해 모델에서 여러 번 실행을 시도할 수 있습니다.
	여기 있는 이 일반화된 회귀 노드로 이동하면 GenReg가 실제로 텍스트 탐색기에 내장되어 있음을 알 수 있습니다.
	우리가 맞춘 모델을 더 자세히 탐색할 수도 있고, 제 경우에는 더 잘할 수 있는지 확인하기 위해 실제로 모델을 하나 더 맞출 것입니다. 적응형 탄성망을 만들어 봅시다.
	그리고 그 모델을 대신 피팅하고 우리가 이미 피팅한 일반 탄성망보다 더 나은지 확인합니다.
	좋아, 그래서 그것은 그 모델에도 잘 맞았다.
	요약으로 이동하면 이 항목이 이제 98개의 용어를 반환하고 실제로 AICc가 더 낮으므로 더 적합할 수 있음을 알 수 있습니다.
	그래서 저는 그 모델로 갈 것입니다. 이제 원본을 사용하고 싶다면 클릭하면 됩니다. 보시다시피 아래 보고서는 이 표에서 내가 선택한 모델로 업데이트됩니다.
	여기 아래에 용어 목록이 있습니다. 우리는 이미 이것에 대해 이야기 했으므로 계수의 관점에서 볼 수 있습니다. 그래서 여기에 가장...가장 큰 영향을 미치고 소비자 분쟁의 확률을 높이는 조건이 있습니다.
	다음은 소비자 분쟁 가능성을 줄이는 데 가장 큰 영향을 미치는 것들입니다. 예를 들어, 그들 중 하나에서 전화를 끊었다는 것을 볼 수 있습니다. 물론 그들이 누군가에게 전화를 끊거나 누군가 전화를 끊었다는 것을 알 수 있습니다.
	이것이 실제로 의사 소통 문제인 것처럼 들리고 해결하기가 조금 더 쉬울 수 있기 때문에 분쟁 가능성이 감소할 것으로 예측할 수 있습니다.
	다시 말하지만 여기서 로그워스 값인 2.883에 주의를 기울이고 싶습니다. 이전에 언급한 경험 법칙인 2보다 약간 높으므로 괜찮다고 말할 수 있습니다. 제 생각에는 이것이 진짜라는 합리적으로 강력한 통계적 증거가 있다고 생각합니다. 협회.
	그 지점을 집으로 운전하기 위해 여기로 내려가면 경찰이라는 단어가 보입니다. 그리고 제 첫인상은 사람들이 말하는 것입니다. 경찰 보고서를 작성했거나 경찰에 신고했습니다.
	그들은 아마도 우리가 응답, 확률 논쟁을 발표하면 그냥 사라지지 않을 것입니다. 누군가가 이미 경찰을 부를 수 있는 수준에 이르렀다면 그것은 올라가야 합니다.
	하지만 우리가 보면
	logworth, 우리는 이것에 대한 통계적 증거가 실제로 그렇게 강력하지 않다는 것을 잘 알 수 있습니다. 그래서 그것이 제 직관을 위반하지만, 아마도, 아마도, 아마도 완전히 사실이 아닐 수도 있습니다.
	내가 이 일을 관리층까지 연결하고 사람들이 우리에게 경찰을 불렀다고 말하면 실제로 좋은 일이라고 말하고 싶은 시점은 아닙니다. 우리는 확실히 그렇게 말하지 않습니다. 여기 모델에 포함하기로 선택한 이유는 궁극적으로
	더 나은 피팅 모델을 만들 수 있지만 결과를 해석하는 데 우리 자신의 지식과 상식을 적용하는 것은 여전히 우리에게 달려 있습니다.
	그래서 이 표는, 여러분이 정말로 하려는 것이 단지 용어를 식별하고 그 효과를 어느 정도 정량화하는 것이라면,
	이것이 분석의 목표일 수 있습니다. 마우스 오른쪽 버튼을 클릭하고 데이터 테이블로 이동합니다.
	이러한 용어와 해당 계수 및 로그 값의 데이터 테이블을 얻은 다음 이를 사용하여 이전 응답, 개선 노력에 대한 일부 분석을 안내하거나 향후 일종의 예측 모델에 포함되어야 하는 용어로 표시할 수도 있습니다.
	하지만 여기에서 모델, 즉 회귀 모델을 구축했기 때문에 개별 문서 수준에서 다음에 대한 정보가 있습니다.
	분쟁 확률 증가를 예측하는 계수의 총계, 감소를 예측하는 총계, 전체 모델 값,
	모델이 할당한 것과 우리가 실제로 관찰한 것에 대한 논쟁. 따라서 개별 문서 수준에서 실제로 평가할 때 기대할 수 있는 모든 사항은 이 모델이 얼마나 잘 수행되는지입니다.
	맨 위에는 개별 문서에 대한 일반적인 요약도 있습니다. 이 경우에는 개별 문서와...
	해당 계수 값의 합 또는 평균. 예를 들어, 30,412개의 문서가 계수 값과 평균 계수 값의 합...양의 합계를 갖고 있는 것처럼 보입니다. 평균 기여도는 약 .57입니다.
	다시 말하지만, 우리는 여기서 회귀 계수에 대해 이야기하고 있습니다. 따라서 이러한 기여 값, 계수 테이블, 이 모든 것은 구성할 때와 마찬가지로 해석되어야 합니다.
	그렇지 않으면 선형 회귀 모델이므로 여기서는 로지스틱 회귀를 해석해야 합니다.
	적절하게, 즉, 우리가 그것들을 지수화하면 로그를 처리하거나...실례합니다...오즈비를 처리하게 됩니다. 그래서 이것이 오즈가 증가하거나 감소하는 요소입니다 이 단어가 텍스트에 나타나면.
	비록 당신이 회귀에 대해 별로 관심이 없는 경우에도 이러한 값은 어떤 용어가 가장 강력한 영향을 미치는지 또는 그렇지 않은지 확인할 수 있다는 점에서 보다 일반적인 의미에서 여전히 유용할 수 있습니다. 그리고 가장 강력한 증거가 있거나 없는 logworth도 마찬가지입니다.
	이제 마지막으로 상상할 수 있듯이 용어 테이블을 저장하는 방법을 이미 알고 있지만 목표가 해당 용어 테이블이 아니라 실제로 모델인 경우
	당신이 만든 것을 저장하는 옵션도 있습니다. 그래서 저는 제가 사용하고자 하는 모델인 적응형 탄력망을 선택했고 빨간 삼각형 아래에 예측 공식을 저장할 수 있습니다.
	그리고 내 컴퓨터가 여기에서 잠시 동안 휘저을 것이라고 생각합니다. 따라서 문서 용어 행렬을 저장하고 있으므로 우리가 지정한 상위 200개 용어에 대한 것이었고 공식도 다음과 같습니다.
	해당 열 또는 해당 문서 용어 행렬에서 작동하여 모델을 실제로 계산합니다. 여기 문서 용어 행렬이 있습니다.
	그런 다음 여기 마지막에 수식 열이 있으므로 이제 실제로 사용할 수 있습니다.
	내가 원하는 경우 이 모델을 직접.
	이것이 용어 선택입니다. 다시 높은 수준에서, 우리는 어떤 용어가 우리가 관심을 갖는 결과 변수와 가장 밀접하게 연관되어 있는지 찾고 있습니다. 그 결과를 주도하는 요인을 더 잘 해석하거나 해당 결과를 예측하기 위해 모델링 작업에 정보를 제공할 수도 있습니다.
	이것으로 지난 봄에 다시 소개된 JMP Pro 16의 두 가지 새로운 텍스트 마이닝 기능인 용어 선택 및 감정 분석을 마무리합니다.
	나는 지금 잠시 시간을 보내며 누군가가 가지고 있는 질문에 답할 것입니다.
	이 두 가지 새로운 기능이 있습니다. 또한 나중에 언제든지 이 프레젠테이션의 사용자 커뮤니티 페이지에 추가 의견이나 질문을 게시할 수 있으며 저는 항상 주시할 것입니다.
	들어오는 모든 질문에 대답하기 위해 열려 있습니다. 시간을 내주셔서 감사합니다, 여러분. 몸조리 잘해요.

탈주데이터 탐색통계 및 모델링Re: 텍스트 마이닝 도구 키트 확장: JMP Pro 16의 감정 분석 및 용어 선택(2021-US-45MP-851)

감사해요, @jgrayson .유감스럽게도 15 대 16에 대한 질문을 이해하지 못합니다. 설명해 주시겠습니까?

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

엄청난!이것들을 보기를 기대합니다.나는 지금 16개밖에 없고 다른 사람들은 15개인 것 같다. 16개도 가능한가요?

감사해요,

짐

Re: 텍스트 마이닝 도구 키트 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. 그 당시에는 좋은 답변이 없었지만 빠른 인터넷 검색에서 제안했습니다. Bing Liu 교수 님의 작업이 좋은 출발점이 될 수 있습니다. 그의 2012년 저서 감정 분석 및 의견 마이닝 Google Scholar에서 7,000회 이상 인용되었으며 최근에는 다음과 같은 책도 저술했습니다. 감정 분석: 감정, 의견 및 감정 마이닝 . 리우 교수 감정 분석 웹페이지 이 책들에 대한 정보뿐만 아니라 주제에 대한 PDF 책 장 . Liu 교수의 작품을 읽지 않았지만 확인해 볼 가치가 있습니다.