Michael Anderson, PhD, JMP Systems Engineer, SAS
Chris Gotwalt, PhD, JMP-Direktor für statistische Forschung und Entwicklung, SAS
Mit JMP 13 wurde der Text Explorer eingeführt. Die neue Plattform bietet die Möglichkeit, Freiformtexte zu kuratieren und Einblicke in Themen und wichtige Begriffe zu generieren. Dies ist zwar unglaublich nützlich, aber eigentlich nur ein erster Schritt zur Lösung des vorliegenden Problems. Oftmals möchte man in einer Reihe von Dokumenten die Schlüsselwörter identifizieren, die stark mit einer bestimmten Reaktion verknüpft sind, beispielsweise dem Kaufverhalten oder Kundenbewertungen. In der Regel erfolgt dies mithilfe der herkömmlichen Stimmungsanalyse, die auf Wortlisten von Drittanbietern basiert, die weder den spezifischen Kontext, in dem Sie arbeiten, noch die Personengruppe, die Sie verstehen möchten, berücksichtigen. Ein alternativer Ansatz, manchmal auch „Supervised Learning Sentiment Analysis“ genannt, kombiniert Textanalyse mit prädiktiver Modellierung, um zu bestimmen, welche Wörter und Phrasen für das spezifische Problem am relevantesten sind. Es verwendet Daten, um über eine ziemlich anschauliche Modellierungsübung sowohl die Richtung als auch die Stärke der Assoziation der Begriffe in den Dokumenten mit der Antwort zu bestimmen. Mit JMP Pro 13 ist die Stimmungsanalyse beim überwachten Lernen jetzt einfacher denn je, und wir werden dies anhand einer Reihe von Fallstudien aus Verbraucherforschung und Social-Media-Kontexten demonstrieren.
Daten der Toronto Casino-Umfrage
