756625_ko-KR

liliconcom

JMP® Pro 16에서 감정 분석 및 용어 선택 기능을 추가하여 텍스트 마이닝 툴킷을 확장합니다(2021-EU-45MP-790).

로스 메투살렘, JMP 시스템 엔지니어, SAS

텍스트 마이닝 기법은 비정형 텍스트 데이터에서 정량적 정보를 추출할 수 있도록 해줍니다. JMP Pro 16은 텍스트 탐색기의 기능에 감정 분석과 용어 선택이라는 두 가지 기능을 추가하여 텍스트에서 추출할 수 있는 정보의 범위를 확장했습니다. 감정 분석은 텍스트의 단어를 감정 관련 용어 사전 및 관련 점수(예: "훌륭함": +90, "끔찍함": -90)에 매핑하여 텍스트에 표현된 긍정적 또는 부정적 감정의 정도를 정량화합니다. 결과로 얻은 감정 점수는 대규모로 사람들의 주관적인 감정을 평가하고, 객관적인 개념과 관련된 주관적인 감정을 탐색하며, 추가 분석을 풍부하게 하는 데 사용할 수 있습니다. 용어 선택은 텍스트 탐색기 내에서 호출되는 JMP Pro의 일반화 회귀 플랫폼의 정규화 회귀 기능을 적용하여 반응 변수를 가장 강력하게 예측하는 용어를 자동으로 찾습니다. 용어 선택은 중요한 결과 측정값과 관련된 비정형 텍스트에서 특정 용어의 발생 빈도 간의 관계를 쉽게 파악하는 데 유용합니다.

본 발표에서는 감정 분석 및 용어 선택 기법에 대한 개요를 제공하고, 실제 데이터에 적용하는 방법을 시연하며, 각 기법을 효과적으로 사용하기 위한 몇 가지 모범 사례를 공유할 것입니다.

자동 생성된 녹취록...

스피커	성적 증명서
로스 메투살렘	안녕하세요 여러분, JMP Pro 16에서 JMP가 텍스트 마이닝 툴킷을 어떻게 확장하는지 알아보는 데 시간을 내주셔서 감사합니다.
	감정 분석 및 용어 선정.
	안녕하세요, 저는 미국 남동부 지역에서 JMP 시스템 엔지니어로 근무하는 로스 메투살렘입니다. 오늘 두 가지 새로운 분석 기능을 미리 살펴보고, 작동 방식에 대해 간략히 설명드린 후, 활용을 위한 몇 가지 모범 사례를 알려드리겠습니다.
	이 두 가지 분석 기법 모두 Text Explorer에 포함될 예정입니다. Text Explorer는 JMP의 소프트웨어입니다.
	자유 텍스트 또는 비정형 텍스트, 즉 자연어 텍스트를 분석하는 도구입니다.
	그리고 이것은 우리가 텍스트 마이닝 도구라고 부르는 것인데, 자유 텍스트에서 정량적 정보를 추출하는 도구입니다.
	자유 형식 텍스트에서 통찰력을 얻기 위해 다른 유형의 통계 또는 분석 도구를 사용하거나, 해당 텍스트를 다른 분석의 입력값으로 사용할 수도 있습니다.
	자, 그럼 JMP Pro 16의 Text Explorer에 새롭게 추가되는 두 가지 텍스트 마이닝 기법을 살펴보겠습니다. 먼저 감정 분석부터 시작해 보겠습니다.
	감정 분석은 본질적으로 텍스트가 얼마나 감정적으로 긍정적인지 또는 부정적인지를 밝히는 것입니다.
	그리고 우리는 미국 연방준비은행에서 정기적으로 발표하는 보고서인 베이지북에 대한 감성 분석을 진행할 것입니다.
	JMP Discovery Europe에서 미국 사례를 드는 점 양해 부탁드립니다만, 베이지북은 감성 분석이 무엇인지 잘 보여주는 좋은 예시입니다.
	이 간행물은 월간지로, 국가 수준 보고서와 12개 지역별 경제 상황을 요약한 보고서를 포함하고 있으며, 이 모든 보고서는 인터뷰 및 설문 조사와 같은 질적 정보를 기반으로 합니다.
	미국 정책 입안자들은 베이지북의 질적 정보와 전통적인 경제 지표에 담긴 양적 정보를 함께 활용하여 경제 정책을 수립할 수 있습니다.
	그래서 여러분은 이렇게 생각할지도 모릅니다. "지금 우리는 감정이나 정서에 대해 이야기하고 있는데, 경제 보고서에 감정이 많이 담겨 있을 거라고는 생각하지 않지만, 베이지북 보고서를 비롯한 많은 언어에는 감정을 전달하거나 표현할 수 있는 단어들이 실제로 존재합니다."
	그럼 보고서의 일부를 살펴보겠습니다. 다음은 새로운 감정 분석 플랫폼에서 바로 가져온 스크린샷입니다.
	강조 표시된 단어들을 보실 수 있을 텐데, 이것들을 감정 용어라고 부릅니다. 즉,
	우리는 이러한 표현들에 어느 정도 감정적인 내용이 담겨 있다고 주장할 수 있습니다. 예를 들어 맨 위에 있는 "반면 컴퓨터 판매량은 심각하게 감소했습니다."
	여기서 "심각하게 우울한"이라는 표현이 보라색으로 강조된 것은 우리가 그 표현을 부정적인 감정으로 간주한다는 것을 나타냅니다. 누군가가 컴퓨터 판매량을 "심각하게 우울한"이라고 묘사한다면, 그것은 분명히 나쁜 일로 받아들여지기를 바라는 것처럼 들릴 것입니다.
	아래를 보시면 주황색으로 강조된 "개선하다" 또는 "호의적"과 같은 긍정적인 감정을 나타내는 단어들이 있습니다. 따라서 우리는 긍정적 또는 부정적인 감정을 불러일으킨다고 생각되는 단어들을 찾아볼 수 있습니다.
	부정적인 내용은 보라색, 긍정적인 내용은 주황색으로 표시되며, 일부 감정 분석에서는 이러한 수준을 유지하여 긍정적인 텍스트와 부정적인 텍스트, 이분법적으로 구분합니다.
	감정 분석을 수행하는 추가적인 방법들이 있으며, 특히 다음과 같은 방법들이 있습니다.
	긍정성 또는 부정성의 정도를 정량화하려는 다양한 방법들이 있는데, 단순히 어떤 것이 긍정적인지 부정적인지 여부만을 판단하는 것이 아닙니다. 다른 예를 들어보겠습니다. 맨 아래쪽을 보시면 "판매 부진" 보고서가 나와 있습니다.
	그리고 저는 이것을 "컴퓨터 판매량이 심각하게 부진하다"고 말했던 것과 비교해 보겠습니다.
	둘 다 부정적인 표현이지만, "심각한 우울증"이라는 표현이 "가난하다"라는 표현보다 훨씬 더 부정적으로 들린다는 점에는 모두 동의할 것입니다.
	그래서 우리는 표현된 감정이 긍정적인지 부정적인지뿐만 아니라 얼마나 긍정적이거나 부정적인지까지 파악하고자 하는데, 이것이 바로 감정 분석이 하는 일입니다.
	텍스트 익스플로러는 가능합니다. 그렇다면 어떻게 가능할까요? 바로 몇 가지 감정 용어와 그에 따른 점수를 기반으로 하는 어휘 감정 분석이라는 기술을 사용합니다.
	지금 보시는 것은 감정 사전이라고 부르는 것의 일부 발췌본으로, 여기에는 용어와 해당 점수가 포함되어 있습니다.
	예를 들어, "환상적"이라는 단어는 긍정적인 점수 90점을 받았고, 맨 아래에 있는 "암울한"이라는 단어는 -75점을 받았습니다.
	그래서 우리는 감정적인 내용을 담고 있다고 생각하는 용어들을 구체적으로 명시하고, 그 용어들이 긍정적인지 부정적인지를 임의적인 척도(여기서는 -100에서 100까지)로 평가합니다.
	그런 다음 이러한 용어들을 모든 문서에서 찾아 문서의 전반적인 긍정적 또는 부정적 정도를 점수로 매길 수 있습니다.
	앞서 예시로 든 "심각하게 우울한"이라는 표현을 떠올려보면, "심각하게"라는 단어는 "우울한"이라는 단어의 의미를 더욱 강조합니다.
	감정 강화제는 표현된 감정을 증폭시키거나 높이는 역할을 하므로, 감정 용어에 담긴 감정에 어떤 영향을 미치는지 설명하는 강화제 사전도 있습니다.
	예를 들어, "엄청나게"라는 말은 감정을 1.4배로 증폭시키는 반면, "조금"이라는 말은 감정을 0.3배로 증폭시키므로, 실제로 표현된 감정을 약간 약화시키는 효과가 있습니다.
	자, 마지막으로 고려해야 할 또 다른 유형의 단어가 있는데, 바로 부정어, 즉 "아니요"와 "아니다" 같은 것들입니다. 이러한 단어들은 기본적으로 극성 반전으로 취급합니다.
	"별로 좋지 않다"는 것은 "환상적이다"라는 점수에 -1을 곱한 것과 같습니다.
	그래서 이것이 감정 분석을 하는 일반적인 방법인데, 다시 말해 어휘 감정 분석이라고 합니다. 우리가 하는 일은 발견한 감정 용어에 해당되는 강조어를 곱하는 것입니다.
	또는 부정어를 사용한 다음, 각 문서에 대해 나타나는 개별 용어에 대한 모든 감정 점수를 얻으면 모든 점수를 평균하여 해당 문서의 감정 점수를 얻습니다.
	JMP는 이러한 점수를 여러 유용한 방식으로 우리에게 보여줍니다. 이것은 감정 분석 도구의 스크린샷인데, 잠시 후에 이 도구를 사용해 볼 예정입니다.
	하지만 보시다시피, 이 도구는 모든 문서에 걸쳐 감정 점수의 분포를 보여줍니다. 또한 모든 감정 용어 목록과 각 용어가 나타나는 빈도를 제공합니다.
	그리고 앞으로 살펴보겠지만, 감정 점수를 내보내 그래프나 분석에 활용할 수도 있습니다.
	그래서 제가 여기 몇 가지 그래프를 만들어 봤는데, 초기 단계에서 베이지북 보고서에 담긴 심리가 우리가 예상하는 방식으로 경제 상황과 실제로 일치하는지, 즉 이 보고서에 타당성이 있는지 살펴보려는 것입니다.
	심리가 일종의 경제 지표라고 볼 수 있을까요? 아마도 그럴 가능성이 높다고 생각합니다.
	여기 제가 그래프 빌더로 만든 그래프가 있습니다. 시간에 따른 감정 변화를 보여주는 그래프인데, 작은 회색 점들은 각각 개별 보고서를 나타냅니다.
	그리고 파란색 그래프는 시간에 따른 감정 변화 추세를 부드럽게 보여주고, 검은색 선(0)은 적어도 저희 평가 기준에 따르면 중립적인 감정을 나타냅니다.
	붉은색 영역은 다음과 같습니다.
	연방준비제도가 공식적으로 발표한 경제 불황 시기.
	경기 침체기에는 투자 심리가 바닥을 치거나 침체기를 거치는 것을 볼 수 있지만, 그 외에도 주목할 만한 점이 있습니다.
	실제로 경기 침체가 발생하기 몇 달 전, 또는 경우에 따라서는 몇 년 전부터 투자 심리가 하락하는 조짐을 보입니다. 그런데 이번에는 이러한 급격한 하락세는 나타나지 않습니다.
	경기 침체가 뒤따르지 않는 상황에서는 그렇습니다. 따라서 베이지북 심리지표가 경기 침체의 선행지표로서 어느 정도 타당성이 있을 수도 있습니다.
	지리적인 관점에서 보면, 역시 타당한 점들을 발견할 수 있습니다. 이는 분석 결과의 한 예시에 불과합니다. 우리는 12개 지역의 여론을 살펴보고 있습니다.
	1999년부터 2000년, 그리고 2001년까지 연방준비제도 지역별 변화 추이입니다. 이 시기는 흔히 닷컴 버블 붕괴라고 불리는 시기입니다.
	한때 기술 기업과 온라인 사업체들이 거품처럼 생겨났지만, 결국 많은 기업들이 도산했고, 그로 인해 심각한 경제적 여파가 발생했습니다.
	1999년부터 2000년까지의 여론이 상승하고 있으며, 실제로 상당히 강하게 상승하고 있는 것으로 보입니다.
	샌프란시스코 연방준비은행 관할 구역은 이러한 기업들의 본사가 많이 위치한 곳입니다. 그리고 2001년 금융 위기 이후, 우리가 여기서 빨간색으로 표시한 것처럼 부정적인 심리까지 가장 크게 하락한 곳도 바로 그 샌프란시스코 관할 구역이었습니다.
	간단히 그래프로 살펴본 결과, 베이지북 심리 지표는 일부 경제적 사건을 추적하거나 예측하는 데 어느 정도 타당성이 있는 것으로 보입니다. 물론 후자의 경우는 더 자세히 검토해야 합니다.
	하지만 이는 감정 분석의 잠재적 활용 사례 중 하나일 뿐이며, 훨씬 더 많은 사례가 있습니다.
	현재 가장 활발하게 사용되고 있는 분야 중 하나는 소비자 조사입니다. 예를 들어, 사람들이 소비자의 의견을 분석하는 데 활용할 수 있습니다.
	소비자 설문조사 응답 중 일부를 분석하여 긍정적 또는 부정적인 의견이나 반응을 유발하는 요인을 파악합니다.
	하지만 감성 분석은 제품 개선에도 활용될 수 있습니다. 예를 들어 제품 리뷰나 보증 청구를 분석하면 고객에게 강한 감정적 반응을 불러일으키는 제품 기능이나 문제를 파악하는 데 도움이 될 수 있습니다.
	예를 들어 고객 지원을 살펴보면 콜센터나 채팅, 채팅 기록 등을 분석할 수 있습니다.
	고객 만족도에 영향을 미치는 지원 방식을 찾아봅니다. 나아가 공공 정책에 대해서도 공개적인 의견을 분석하여 제안되거나 기존 정책에 대한 대중의 반응을 가늠합니다.
	이것들은 감정 분석을 적용할 수 있는 몇 가지 영역일 뿐입니다. 감정 분석은 감정을 전달하는 텍스트가 있고, 그 감정이 유용한 정보를 제공할 수 있는 모든 곳에 적용할 수 있습니다.
	제가 먼저 말씀드리고 싶은 건 여기까지입니다. 이제 JMP에서 어떻게 작동하는지 간단히 설명해 드리겠습니다. JMP로 넘어가시죠.
	여기 베이지북 데이터가 있습니다. 아래쪽을 보시면 5,000건이 넘는 보고서가 있고, 각 보고서의 작성 날짜가 나와 있습니다.
	1972년 5월부터 2020년 10월까지, 12개 지역 중 어느 지역에서 나온 보고서인지, 그리고 보고서 전문이 나와 있습니다. 이 보고서들을 보면,
	단순히 경제가 잘 되고 있는지 못 되고 있는지 같은 간단한 진술에 그치는 것이 아니라, 어느 정도 자세한 내용까지 다룰 수 있습니다.
	자, 이 데이터들을 자세히 살펴보기 전에, 베이지북을 분석하자는 아이디어를 내주시고 실제로 데이터를 수집해서 JMP에 넣어주신 분께 감사의 말씀을 드리고 싶습니다.
	분석 준비가 완료된 형식입니다. 이 모든 것은 Xan Gregg 덕분입니다. 모르시는 분들을 위해 말씀드리자면, Xan은 JMP 개발팀의 이사이자 Graph Builder의 창시자입니다. Xan, 도움 주셔서 감사합니다.
	좋습니다. 그럼 이제 이 모든 보고서에서 긍정적 및 부정적 감정의 정도를 정량화해 보겠습니다. 분석 메뉴에서 텍스트 탐색기를 사용하겠습니다.
	여기 시작 창이 있습니다. 텍스트 데이터를 가져와서 텍스트 열 역할에 넣겠습니다. 시작하기 전에 몇 가지 사항을 강조하겠습니다.
	Text Explorer는 여러 언어를 지원하지만, 현재 감정 분석은 영어로만 제공되며, 또 하나 주목하고 싶은 점은 어간 추출 기능입니다.
	텍스트 분석을 하시는 분들은 어간 추출(stemming)이 무엇인지 잘 아실 테지만, 모르시는 분들을 위해 설명드리자면, 어간 추출은 여러 개의 단어를 하나로 합치는 과정입니다.
	음, 전문적인 용어를 쓰지 않고 설명하자면... 같은 단어의 여러 변형을 함께 쓰는 거예요. 예를 들어 "strong", "stronger", "strongest"처럼요. 이렇게 세 가지가 있죠.
	"strong"이라는 단어의 다양한 변형이 있을 수 있는데, 일부 텍스트 마이닝 기법에서는 이러한 변형들을 모두 하나의 용어로 통합하여 "모두 'strong'을 의미한다"라고 말하기도 합니다. 왜냐하면 개념적으로 같은 의미이기 때문입니다.
	사실 저는 여기서 어간 형성에 대한 이야기는 생략하겠습니다. 왜냐하면... 예를 들어 "가장 강한"이라는 단어는 무언가가 도달할 수 있는 가장 강한 상태를 나타내기 때문입니다.
	"더 강해졌다"는 말은 이미 강하다는 것을 알지만, 더 강해질 여지가 있다는 것을 의미합니다.
	그러니까 "strongest"는 "stronger"보다 더 높은 감정 점수를 받아야 할 것 같고, 어간 추출을 하면 두 단어의 구별이 사라지게 되죠. 저는 그 구별을 유지하고 싶기 때문에 서로 다른 감정 점수를 주고 싶습니다. 그래서 어간 추출을 계속 진행하겠습니다.
	그럼 확인을 누르겠습니다.
	이제 JMP는 텍스트를 토큰화합니다. 즉, 텍스트를 모든 개별 단어로 분해한 다음 각 단어가 몇 번 나타나는지 계산합니다.
	여기에는 모든 용어와 그 빈도수가 나와 있는 목록이 있습니다. "판매"는 46,000번 이상 등장하며, 여기에도 구문 목록이 있습니다. 구문은 다음과 같습니다.
	자주 나타나는 두 개 이상의 단어의 연속체, 그리고 때로는 실제로 그러한 단어들을 용어로 포함시키고 싶을 때도 있습니다.
	분석이요. 감정 분석을 하려면, 예를 들어 문구 목록을 살펴보고 "부동산"이라는 단어를 추가해 볼 수 있겠죠. 두 단어지만, 말 그대로 재산을 의미하니까요.
	그리고 제가 덧붙일 수 있는 게 있는데요. 일반적으로 텍스트 분석에서는 불용어라고 하는 단어들도 함께 추가합니다.
	분석 맥락에서 실질적인 의미를 전달하지 않는 단어들이므로 제외하고 싶습니다. 예를 들어 "district"를 생각해 보세요. 이런 일이 발생하기도 하고... 베이지북에서는 이렇게 사용하기도 합니다.
	"지구"라는 단어를 자주 사용하지만, 예를 들어 "리치먼드 지구 보고서"와 같이 말하는 것은 사실 별 의미가 없습니다.
	하지만 저는 여기서 불용어에 대해 굳이 언급하지 않을 겁니다. 왜냐하면, 기억하시겠지만,
	슬라이드에서 말씀드렸듯이, 저희의 모든 감정 점수는 사전을 기반으로 하며, 사전에서는 감정 관련 단어와 각 단어에 부여할 점수를 선택합니다.
	그리고 만약 "district"라는 단어를 빼버리면, 그 단어는 본질적으로 0점을 받게 되어 감정 점수에 영향을 미치지 않으므로, 굳이 불용어로 지정할 필요가 없습니다.
	준비가 되면 여기 빨간색 삼각형 아래에 있는 텍스트 분석, 아니, 감정 분석을 실행하겠습니다.
	현재 JMP는 감정 용어 등을 따로 지정하지 않았기 때문에 내장된 감정 사전을 사용하여 모든 문서의 점수를 계산하고 있습니다. 여기서 점수를 확인할 수 있습니다.
	이러한 결과를 살펴보기 전에, 먼저 감정 관련 단어와 그 점수를 포함하는 감정 사전을 맞춤 설정하는 것이 좋습니다. 왜냐하면 각기 다른 영역에서 감정 분석은 다르게 이루어지기 때문입니다.
	어쩌면 글을 작성하는 사람이 다르면 특정 단어가 서로 다른 수준의 감정을 나타내거나, 어떤 경우에는 감정을 나타내고 어떤 경우에는 나타내지 않을 수도 있습니다. 그래서 우리는 다음을 원합니다.
	우리는 현재 분석 중인 언어에 담긴 감정을 정확하게 포착했다고 생각하는 감정 사전을 매우 신중하고 철저하게 만들었습니다.
	JMP는 말씀드렸다시피 내장 사전을 사용하는데, 그 사전은 상당히 빈약합니다. 보시다시피 여기에도 이모티콘 몇 개만 포함되어 있죠.
	이런 작은 웃는 얼굴 이모티콘 같은 것도 있지만, -90점에는 "끔찍한"처럼 감정을 분명하게 드러내는 표현도 있습니다.
	"끔찍한"이라는 단어를 부정적인 의미로 사용하지 않는 사람은 거의 없을 테니, 그 점에 대해서는 꽤 만족합니다. 하지만 목록이 그리 길지 않아서 몇 가지 용어를 더 추가하고 싶을 수도 있습니다.
	그럼 어떻게 하는지 살펴볼까요? 제가 추천드리는 한 가지는 데이터를 직접 살펴보는 것입니다. 가지고 있는 문서들을 읽어보고 감정을 나타낼 만한 단어들을 찾아보세요.
	여기 문서들을 살펴보고 감정 용어를 직접 추가할 수 있는 도구가 있습니다. 여기 문서 목록이 있는데, 문서 1이 강조 표시되어 있고 아래에 문서 1이 표시됩니다. 다른 문서를 선택해서 볼 수도 있습니다.
	자, 문서 1을 살펴보면, 바로 "비관주의"와 "낙관주의"와 같은 몇 가지 잠재적인 감정 용어를 발견할 수 있을 것입니다.
	보시다시피 이 부분들은 강조 표시되지 않았습니다. 실제로 이 부분들은 표준 감정 사전에 포함되어 있지 않습니다.
	그리고 실제로 많은 명사들이 그렇지 않은 경우가 많은데, 그 이유는 "비관주의"나 "낙관주의" 같은 명사들은 기본적으로 그 존재 여부를 나타내는 다양한 방식으로 표현될 수 있기 때문입니다. 예를 들어, "비관주의가 감소하고 있다"라고 말할 수 있죠.
	"비관론이 뚜렷하게 부족하다", "비관론은 더 이상 보도되지 않는다."
	그리고 그런 경우라면 "비관주의"를 부정적인 것으로 단정짓지는 않겠죠. 그러니까 감정 사전에 단어를 추가하기 전에 문맥 속에서 그 단어가 어떻게 쓰이는지 신중하게 생각해 봐야 합니다.
	예를 들어, 여기 있는 용어 목록으로 다시 돌아갈 수 있습니다. 필터만 보여드리겠습니다.
	"비관주의"라는 단어를 찾아서 본문을 보여주고 어떻게 사용되었는지 살펴보세요. 첫 번째 예시에서는 "우리 이사들의 기분은 비관주의에서 낙관주의까지 다양하다"라고 쓰여 있는 것을 볼 수 있습니다.
	그리고 다음은
	"사적인 대화에서 느껴지는 깊은 비관주의적 분위기." 실제로 읽어보면 이것이 일반적인 용례입니다. 따라서 베이지북에서는 제가 우려했던 방식대로 '비관주의'라는 단어를 사용하지 않는 것 같습니다.
	"낙관론이 증가하고 있다."
	그래서 저는 "비관주의"를 여기에 추가하는 것이 괜찮다고 생각하므로, 감정 사전에 추가하도록 하겠습니다.
	그래서 제가 그 위에 마우스 커서를 올려놓으면,
	보시다시피, 우리는 이 결과를 어떻게 처리할지에 대한 몇 가지 옵션을 제시합니다. 예를 들어, 여기서 -60점을 줄 수 있다고 가정해 보겠습니다.
	이제 해당 단어가 점수와 함께 사전에 추가되고, JMP에서 감정 점수 업데이트가 실행됩니다. 즉, JMP는 이제 "비관주의"라는 단어를 찾아 해당 단어가 포함된 모든 문서의 점수를 조정합니다.
	그럼 이제 다시 위로 올라가서 감정 관련 용어들을 좀 더 자세히 살펴보겠습니다. 아래로 스크롤해 내려가시면 "비관주의"라는 용어를 찾으실 수 있습니다.
	제가 방금 준 점수 -60점을 여기에 적어 놓았습니다. 그런데, 자세히 보면 "비관적"이라는 단어는 기본적으로 -50점이 부여되어 있으니, 일관성을 유지하기 위해 여기에 -50을 입력하는 것도 괜찮을 것 같습니다.
	물론 그렇게 할 수도 있지만, 또 다른 업데이트가 발생하는 것을 막기 위해 그렇게 하지 않겠습니다.
	여기서 감정 관련 용어 목록을 확인하실 수 있습니다. JMP에서 감정적 의미를 내포할 가능성이 있는 용어로 식별한 것들이니, 한번 살펴보시고 사전에 추가하는 것을 고려해 보세요.
	예를 들어, 여기 있는 "강한"이라는 단어를 보면, 오른쪽에 있는 문서 텍스트들을 살펴보면, 분명히 긍정적인 의미라는 것을 알 수 있을 겁니다. 그리고 이러한 예시들을 많이 살펴보면, 정말 분명하게 드러나는 것은...
	경제학자들은 현재 경제 상황의 좋거나 나쁜 점을 이야기할 때 "강하다"와 "약하다"라는 단어를 아주 많이 사용합니다.
	그러니까 제가 저 위에 있는 버튼에서 '긍정적' 60을 클릭해서 '강함'을 추가할 수도 있겠죠. 하지만 지금은 감정 분석을 빨리 끝내기 위해 그렇게 하지는 않겠습니다.
	그래서 아래 텍스트에서처럼, 여기 있는 감정 표현 용어 목록을 살펴보고 적절한 후보들을 고를 수 있습니다.
	빨간색 삼각형 아래에서는 감정 용어를 더욱 직접적으로 관리할 수도 있습니다. 즉, 전체 내용을 그대로 보여주는 것입니다.
	텍스트 탐색기 사용자가 익숙할 만한 용어 관리 목록, 예를 들어 구문 관리 및 불용어 관리 등이 있습니다.
	보시다시피, 기존의 모든 기본 용어 외에도 이번 분석에 특화된 새로운 용어 하나를 추가했습니다. 물론, 예외를 설정하여 일부 용어를 제외할 수도 있습니다.
	그리고 중요한 점은 감정 사전도 가져오고 내보낼 수 있다는 것입니다. 감정 용어를 정의하는 또 다른 방법은 해당 분야 전문가와 상의하는 것입니다. 아시다시피,
	경제학자들은 의미를 명확하게 전달하는 데 필요한 단어의 유형에 대해 할 말이 많을 것입니다.
	이 보고서에는 긍정적이든 부정적이든 다양한 감정이 담겨 있습니다. 만약 그들과 직접 이야기를 나눌 수 있다면, 그들이 어떻게 생각하는지 알고 싶을 것이고, 심지어 그들의 의견을 탭으로 구분된 파일에 정리한 다음 여기에 가져와 활용할 수도 있을 것입니다.
	그리고 물론, 만족스러운 사전을 만들었다면 나중에 쉽게 다시 사용할 수 있도록 내보내고 저장해야 합니다.
	지금까지 감정 사전을 구성하는 방법에 대해 간략하게 살펴보았습니다. 또한 다음 사항들도 중요합니다.
	강조어와 부정어를 잘 선별하세요. 그리고 다시 말씀드리지만, 여기에는 점수가 표시되지 않습니다. 왜냐하면 이것들은 단순히 극성 반전이기 때문입니다.
	실제로 어떤 모습인지 좀 더 자세히 보여드리기 위해, 감정 분석을 한번 살펴보겠습니다. 그러면 어떤 경우들을 볼 수 있을까요?
	JMP는 이러한 감정 표현 중 일부 앞에 "아님"이라는 단어가 있는 것을 발견하고 그에 맞는 점수를 적용했습니다. 따라서 맨 위에 있는 "허용할 수 없음"은 -25점을 받습니다.
	제가 이걸 보여드리는 이유는, JMP에서 이러한 부정어와 강조어가 자동으로 적용된다는 사실에 여러분의 주의를 환기시키기 위해서입니다.
	자, 그럼 분석 설정 방법에 대한 이야기는 이쯤 하고, 이제 실제 결과 살펴보기로 넘어가 보겠습니다. 제가 먼저 보여드릴 내용은 다음과 같습니다.
	이미 분석이 완료된 버전입니다. 즉, 감정 사전을 이미 만들어 놓았고, 이제 결과를 해석하기 시작할 수 있습니다.
	여기 위쪽에 요약된 내용을 보면 긍정적인 문서가 부정적인 문서보다 더 많습니다. 앞서 논의했듯이, 각 유형의 문서가 몇 개씩 있는지 확인할 수 있습니다. 실제로 왼쪽 표 맨 아래를 보면 감정적인 내용이 전혀 표현되지 않은 문서가 하나 있습니다.
	"강함"은 약 14,000회, "약함"은 약 4,500회 나타났습니다.
	그리고 이러한 것들을 개수나 점수로 살펴보면서 가장 부정적인 것과 가장 긍정적인 것을 살펴보겠습니다.
	맥락 속에서 살펴보는 것만으로도 그 자체로 꽤 유익할 수 있습니다. 특히 소비자 조사와 같은 분야에서 사람들이 언제 긍정적인 감정을 느끼거나 긍정적인 감정을 표현하는지 알고 싶을 때 말이죠.
	우리 브랜드나 제품에 대해 사람들이 어떤 표현을 사용하는지 파악하는 것은 마케팅 활동에 도움이 될 수 있습니다. 이러한 감정 분석 용어 목록은 그런 점에서 매우 유용할 수 있습니다.
	조작,
	관광, 투자 등 다양한 분야가 있습니다. 그리고 때로는 이러한 하위 영역 중 특정 부분, 즉 우리가 '특징'이라고 부르는 것에 집중하고 싶을 때가 있습니다.
	감정 분석의 기능 탭으로 이동한 다음 검색을 클릭하면 JMP가 감정 용어와 함께 자주 나타나는 단어들을 찾아 해당 기능과 관련된 감정을 더 자세히 분석해 볼지 묻습니다.
	예를 들어 "매출"을 생각해 보세요. "매출이 부진한 것으로 보고되었다", "매출 약화", "매출이 순조롭게 유지되고 있는 것으로 보고되었다" 등과 같은 표현을 볼 수 있습니다.
	그래서 제가 선택한 이 기능에 점수를 매기면, JMP는 더 큰 보고서 내에서 "판매"라는 단어가 언급된 부분에 대해서만 감정 점수를 제공합니다. 이는 분석을 더욱 구체화하거나 특정 하위 영역에 집중하는 데 도움이 될 것입니다.
	그리고 그것은 특히 중요합니다.
	우리가 분석하는 언어의 도메인이 그렇게 엄격하게 제한되어 있지 않을 수도 있습니다. 예를 들어,
	제품 리뷰. 당신은 사람들이 제품에 대해 어떻게 생각하는지, 긍정적인지 부정적인지에 관심이 있지만, 배송과 같은 부분에 대한 이야기도 있을 수 있습니다. 하지만 배송은 당신이 통제할 수 없는 부분이기 때문에, 누군가가 배송에 대해 불만족스러워하더라도 크게 신경 쓰지 않을 수도 있습니다.
	배송에 대한 언급이 포함된 리뷰들을 단순히 나열하는 것은 바람직하지 않습니다. 따라서 분석 범위를 고려하고 적절하게 제한하는 것이 중요하며, 여기에서 제공하는 기능 찾기 도구가 바로 그 방법 중 하나입니다.
	보시다시피 "판매"를 기준으로 점수를 매겼더니 긍정적인 문서와 부정적인 문서의 분포가 매우 달라졌습니다. 감정 점수가 없는 문서가 더 많은데, 그 이유는 다음과 같습니다.
	단순히 매출에 대해 이야기하지 않거나 감정적인 표현을 사용하지 않는 것이 좋습니다. 저희는 특히 매출과 관련된 감정을 표현하는 데 사용할 수 있는 새로운 용어 목록을 마련했습니다.
	이것을 삭제하겠습니다.
	제가 깜빡하고 말씀드리지 못한 게 하나 있는데요, 이전에 잠깐 언급했던 것처럼 문서 전체 점수가 어떻게 계산되는지에 대한 내용입니다. 모든 감정 용어의 평균값이라고 말씀드렸었죠...
	특정 문서에서 발생한 일입니다. 그럼 문서 1을 살펴보겠습니다. 제가 보여드리고 싶은 것은 바로 이것입니다.
	-20점과 같은 점수가 어디서 나온 것인지 궁금하다면, 마우스 커서를 해당 점수 위로 가져가 보세요. 그러면 나타난 모든 감정 표현 단어 목록이 표시됩니다.
	보시다시피, 여기에는 맨 아래쪽에 있는 "정말 뛰어난 부분"을 포함하여 총 16개가 있습니다. 이 부분은 +78이었고, 이제 이 모든 점수를 더한 다음 78로 나누면 됩니다.
	아니면 16으로 나누면, 죄송합니다만, 평균 감정 점수는 -20이 됩니다. 이것은 전체 점수를 제공하는 두 가지 방법 중 하나입니다. 다른 하나는 최소값과 최대값의 차이를 이용한 점수 계산 방식입니다.
	본문에 표현된 감정들.
	이 보고서만 봐도 감정 점수나 가장 많이 사용된 용어 같은 많은 정보를 얻을 수 있습니다.
	하지만 우리는 종종 그러한 감정을 가져와 다른 방식으로 활용하고 싶어합니다. 예를 들어,
	슬라이드에서 보여드렸던 것처럼 그래프로 살펴보세요. 분석 단계에서 해당 부분을 진행할 때는 여기 빨간색 삼각형 부분을 참고하시면 됩니다.
	그리고 문서 점수를 저장합니다. 이렇게 하면 해당 점수가 데이터 테이블에 저장되어 추가 분석에 입력하거나 그래프로 나타내는 등 원하는 작업을 수행할 수 있습니다.
	JMP Pro 16의 텍스트 탐색기에 추가될 감정 분석 기능에 대한 미리보기였습니다. 핵심은 감정 분석이 감정 사전을 사용한다는 것입니다.
	각 문서의 긍정적 및 부정적 감정적 내용에 해당하는 점수를 부여하도록 설정한 다음, 그 정보를 원하는 방식으로 활용할 수 있습니다.
	자, 이제 감정 분석은 잠시 접어두고, 곧 텍스트 탐색기에 추가될 또 다른 기술에 대해 이야기하기 위해 슬라이드로 돌아가겠습니다.
	그리고 그것이 바로 용어 선택인데, 용어 선택은 다른 질문에 대한 답을 제시합니다. 즉, 내가 중요하게 생각하는 변수나 관련 있는 용어는 무엇인가 하는 질문입니다.
	우리는 베이지북을 고수할 겁니다.
	우리는 어떤 단어들이 통계적으로 경기 침체와 연관되어 있는지 알아볼 것입니다. 여기 그래프는 시간에 따른 백분율 변화를 보여줍니다.
	분기별 국내총생산(GDP) 그래프에서 파란색은 경제 성장을, 빨간색은 경제 위축을 나타냅니다. 그렇다면 우리는 무엇을 의미하는지 궁금해할 수 있습니다.
	베이지북에 나오는 용어들 중 일부가 경기 침체기와 통계적으로 연관되어 있을 가능성이 있지 않을까요? 예를 들어, 여기에 몇 가지 예시가 있습니다.
	아시다시피, 왜 우리는 베이지북에 나오는 특정 용어들을 경기 침체기와 연관시키려 할까요?
	음, 용어 목록을 얻는 것 자체만으로도 유익할 수 있겠네요. 어쩌면 미묘한 차이점을 발견할 수도 있을 것 같아요.
	제가 인지하지 못하거나 정량적 데이터로 쉽게 포착하지 못하는 경기 침체의 원인이나 영향이 있을 수 있습니다.
	추가 분석을 위한 단어들을 몇 개 찾을 수도 있겠네요. 어쩌면… 어쩌면 찾을 수도 있을 거예요.
	잠재적인 감정 용어들, 특히 경제 상황이 좋지 않을 때 사용되는 용어들 중 제가 처음 감정 분석을 할 때 놓쳤던 것들입니다.
	아니면 경기 침체와 강하게 연관된 단어들을 찾아서, 그것들을 활용해 미래에 경기 침체가 언제 발생할지 예측하는 모델을 만들어볼 수도 있지 않을까요?
	우리가 경기 침체와 가장 밀접하게 연관된 단어가 무엇인지 알고 싶어하는 데에는 몇 가지 이유가 있습니다.
	그렇다면 JMP에서는 이게 어떻게 작동할까요? 기본적으로 우리는 회귀 모델을 구축하는데, 여기서 결과 변수는 우리가 관심 있는 변수인 경기 침체이고, 입력 변수는 다양한 단어들입니다.
	모델에 입력된 데이터는 문서-용어 행렬 형태를 띠며, 각 행은 다음과 같습니다.
	하나의 문서 또는 베이지북 보고서를 기준으로, 각 열에는 해당 보고서에 나타나는 단어들이 기록됩니다. 여기서는 "약함" 열이 강조 표시되어 있고 "이진"이라고 되어 있는데, 이는 다음을 의미합니다.
	이 점수는 1과 0으로 구성됩니다. 1은 해당 보고서에 "약함"이라는 단어가 포함되어 있음을 나타내고, 0은 해당 보고서에 "약함"이라는 단어가 포함되어 있지 않음을 나타냅니다. 이것은 문서를 평가하는 여러 방법 중 하나이지만, 지금은 이 이진법을 사용하겠습니다.
	그래서 우리는 이 정보를 회귀 모델에 입력합니다. 그러면 출시 결과는 다음과 같을 것입니다.
	우리는 경기 침체를 Y 변수로 사용하는데, 이는 단순히 예/아니오로 답하는 변수입니다. 그리고 이러한 모든 이진 변수 예측 변수들을 모델 효과로 입력했습니다.
	그다음에는 JMP Pro의 일반화 회귀 분석 도구를 사용하겠습니다.
	모델을 구축하기 위해서인데, 그 이유는 일반화 회귀(GenReg)라고 부르는 이 기법에 자동 변수 선택 기술이 포함되어 있기 때문입니다. 따라서 만약 여러분이 이에 익숙하다면,
	정규화 회귀라고 하면 라쏘(Lasso)나 엘라스틱 넷(Elastic Net) 같은 걸 말하는 겁니다. 만약 그게 무슨 뜻인지 모르시더라도 전혀 문제없습니다. 핵심은 자동으로 정규화한다는 겁니다.
	결과 변수인 "경기 침체"와 가장 강하게 연관된 용어를 찾은 다음, 연관이 없다고 판단되는 용어는 0으로 설정합니다.
	이를 통해 우리는 "경기 침체"와 그와 연관된 수백, 수천 개의 단어들 사이의 관계를 살펴볼 수 있습니다.
	그렇다면 분석을 실행하면 어떤 결과가 나올까요?
	우리는 모델을 도출해냅니다. 여기 있는 것은 그 모델에 대한 방정식입니다. 너무 신경 쓰지 마세요. 핵심은 우리가 말하는 것입니다.
	경기 침체 확률의 로그값, 즉 경기 침체 가능성의 함수이며, 베이지북 발간 시기는 이러한 요소들의 함수입니다.
	베이지북 보고서에 나올 수 있는 모든 다양한 단어들.
	보시다시피, "팬데믹"이라는 단어의 출현이 1.94의 계수를 갖는 효과를 보여줍니다.
	이는 베이지북 보고서에 "팬데믹"이라는 단어가 언급될 경우 "경기 침체"의 로그 오즈가 1.94배 증가한다는 것을 의미합니다. 반대로 "성장"의 로그 오즈는 -1.02배입니다. 즉, 베이지북 보고서에 "성장"이라는 단어가 언급되면 경기 침체 확률은...
	또는 경기 침체 확률의 로그값이 1.02만큼 감소합니다.
	그래서 우리는 "팬데믹", "연기", "취소", "압류"와 같이 경기 침체 가능성 증가와 밀접하게 연관된 용어 목록을 얻게 됩니다.
	또한 경기 침체 가능성이 낮아지는 것과 관련된 용어 목록도 얻을 수 있습니다. 예를 들어 "이득", "강화", "경쟁" 등이 있습니다.
	"제조업"이라는 단어도 거기에 있지만, 그 계수는 상대적으로 작은 -0.2 정도입니다.
	그리고 여기서 실제로 알아차리실 수 있듯이, 이 분석에서 선택된 모든 용어를 그래프로 표현해 보면 "제조업"과 같은 특정 분야는 그다지 많지 않습니다.
	"관광", "투자" 등등. 왜냐하면 그런 것들은 경기 침체 여부와 상관없이 항상 언급되는 주제들이기 때문입니다. 따라서 우리가 실제로 찾고 있는 것은 사용되는 단어들입니다.
	아시다시피, 경기 침체는 생각보다 훨씬 자주 발생합니다. 예를 들어, 다음과 같은 것들이 있죠.
	"팬데믹"이라는 단어가 가장 예측력이 높네요. 일리가 있어요. 우리는 최근까지 팬데믹이라는 용어를 전혀 사용하지 않았고, 최근에 경기 침체도 겪었으니, 그 영향을 아주 분명하게 느낄 수 있었죠.
	그다음으로는 두 번째 단계에 해당하는 몇 가지 단어가 더 있습니다. 바로 "연기됨", "취소됨", "압류됨", "악화됨", "비관적"입니다.
	그리고 "연기"와 "취소"라는 단어가 경기 침체와 연관되는 것이 꽤 흥미롭습니다. 경기 침체기에 경제 활동을 연기하는 것에 대해 이야기하고 싶어지는 것은 당연한 일입니다.
	경기 침체가 일어날 때, 또는 적어도 그것은 아마도 확실한 추세일 것입니다. 그것은… 그 자체로 하나의 통찰력입니다. 사실, 저는
	연방준비제도가 경제 활동의 연기나 취소를 어떻게 추적하는지는 정확히 모르겠지만, 이 분석에서 그러한 용어들이 언급되는 것을 보면 추적할 가치가 있는 사항일 가능성이 높습니다.
	자, 이게 바로 용어 선택입니다. 이렇게 하면 경기 침체와 관련된 용어 목록을 얻을 수 있고, 각 용어 간의 상대적인 연관성도 확인할 수 있습니다. 이제 JMP에서 이 작업을 어떻게 하는지 간단히 살펴보겠습니다.
	자, 이제 JMP로 돌아가서 약간 다른 데이터 테이블을 불러오겠습니다. 여전히 베이지북 데이터이긴 하지만, 이제는 국가별 보고서만 볼 수 있습니다.
	그리고 당시 미국이 경기 침체에 빠졌는지 여부라는 변수도 함께 고려했습니다. 물론 이러한 데이터에는 자기상관성이 존재합니다. 즉, 지난달에 경기 침체에 빠졌다면 이번 달에도 경기 침체에 빠질 가능성이 그렇지 않은 경우보다 더 높다는 뜻입니다.
	아시다시피 이는 일반적으로 회귀 분석 기반 분석에서 문제가 될 수 있지만, 이번 분석은 순전히 탐색적인 목적이므로 크게 걱정하지 않습니다.
	자, 그럼 테이블 스크립트에서 텍스트 탐색기를 불러오겠습니다. 전에 어떻게 실행하는지 이미 봤으니까요.
	참고로, 이전처럼 몇 가지 표현을 이미 다듬었습니다. 또한, 여기서는 보이지 않지만, 이 분석에서 제외하고 싶은 단어들을 불용어(stop words)로 추가했습니다.
	그리고 어간 추출 기능을 켰는데, 용어 목록에 있는 작은 점들이 바로 그 기능을 의미합니다. 예를 들어, "increase"의 경우 이제 "increases", "increasing", "increasingly"와 같은 여러 어간이 하나로 합쳐집니다.
	그 이유는 제가 이제 그 모든 개념들을 비슷하게 생각하게 되었고, 그 개념이 경기 침체와 관련이 있는지 알고 싶기 때문입니다.
	용어 선택을 실행하려면 빨간색 삼각형을 클릭하면 됩니다. 제가 여기서 선택하겠습니다.
	먼저 제어 창이 나타나는데, 정확히 말하면 섹션이라고 해야겠죠. 여기서 관심 있는 변수를 선택합니다. 저는 경기 침체를 선택했죠. 목표 수준을 선택하는데, 저는 경기 침체가 발생하지 않을 확률이 아니라 경기 침체가 발생할 확률로 설정하고 싶습니다.
	모델 설정을 몇 가지 지정할 수 있습니다. GenReg에 익숙하시다면 조기 종료 여부를 선택할 수 있고, 두 가지 다른 옵션 중 하나를 선택할 수 있다는 것을 아실 겁니다.
	변수 선택을 위한 페널티, 검증에 사용할 통계량 등을 설정할 수 있습니다. 만약 이런 내용이 처음이라면 너무 걱정하지 마세요. 처음에는 기본 설정으로 시작하는 것이 좋습니다.
	기억하시겠지만, 저희는 가중치를 사용하고 있습니다. "약함" 열에는 해당 단어가 문서에 나타났는지 여부를 나타내는 1과 0이 있었는데, 원하는 대로 선택할 수 있습니다.
	예를 들어, 빈도는 "약함"이 발생했는지 여부가 아니라, 얼마나 자주 발생했는지를 나타냅니다. 그리고 이러한 점이 결과 해석 방식에 영향을 미칩니다. 지금은 이진법적 접근 방식을 유지하겠습니다.
	하지만 저는 기본값인 400개가 아니라 가장 자주 사용되는 1,000개의 용어를 확인하고 싶습니다. 보시다시피 400개는 436개보다 훨씬 많고, 일반적으로 1,000개의 X가 있는 모델로는 적합하게 만들 수 없지만 436개로는 가능합니다.
	관찰 결과이지만, 덕분에
	일반화 회귀 분석에서 자동 변수 선택은 문제가 되지 않습니다. 다시 말해, 이 수천 개의 항 중에서 가장 강하게 연관된 항을 선택하는 것이므로, 용어 선택이라는 이름이 붙었습니다.
	자, 이제 실행해 보겠습니다. 보시다시피 JMP가 일반화 회귀 플랫폼에 호출하여 이러한 결과를 반환했습니다. 여기 위쪽에는 모델이 적합되는 과정에 대한 정보가 나와 있습니다. 예를 들어, 37개의 항이 반환되었습니다.
	저걸 좀 옆으로 옮겨 놓겠습니다. 오른쪽에 정말 유용한 정보가 있거든요. 경기 침체와 가장 밀접하게 관련된 용어 목록입니다.
	이제 경기 침체 확률과 가장 강하게 연관된 항목들을 찾기 위해 계수를 기준으로 정렬해 보겠습니다. 다시 한번 말씀드리지만, "팬데믹", "연기", "취소"입니다. 예상하시겠지만, 이 시점에서 이 중 하나를 클릭하면 미리보기가 업데이트됩니다.
	또는 아래의 텍스트 조각들을 통해 이 단어가 문맥 속에서 어떻게 사용되는지 실제로 확인해 보겠습니다.
	이 용어 목록 자체만으로도 매우 유용할 수 있습니다. 여러분은 이전에 몰랐던 중요한 특정 용어나 개념에 대해 배울 수 있을 것입니다. 또한 이러한 용어를 예측 모델에 활용할 수도 있습니다.
	이제 몇 가지 더 알아두어야 할 사항이 있습니다.
	여기 아래에서 보시다시피, 각 문서별로 표가 다시 한번 나와 있는데, 감정 점수 대신 모델에서 나온 점수가 표시되어 있습니다. 각 문서마다 다음과 같은 점수가 있습니다.
	그만큼...
	우리가 긍정적 기여라고 부르는 것은 경기 침체 확률을 예측하는 양의 계수들의 기여입니다. 여기에는 음의 계수들이 있습니다.
	그리고 모델에서 예측한 경기 침체 확률은 71.8%였는데, 실제로 우리가 관찰한 결과는 달랐습니다.
	그리고 우리가 여기서 꼭 예측 모델을 만들려는 건 아닙니다. 다시 말해, 이 모델을 이용해서 경기 침체를 예측하려는 건 아니라는 거죠. 저는 다양한 경제 지표 변수들을 활용할 수 있습니다.
	물론이죠, 하지만 이건 기본적으로 모델의 타당성을 검증하는 좋은 방법입니다. 모델이 예측 중 일부를 제대로 맞추고 있는 것처럼 보이나요?
	그렇지 않다면 반환되는 조건을 신뢰하지 못할 수도 있기 때문입니다. 또한 판단을 내리는 데 도움이 될 만한 다른 정보도 많이 있습니다. 예를 들어, 여기 곡선 아래 면적과 같은 적합도 통계 자료가 있죠.
	또는 일반화 회귀 분석 플랫폼을 사용하여 모델을 더욱 자세히 평가할 수도 있습니다.
	자세한 내용은 생략하겠지만, 여러분이 모델을 평가하고, 원하는 대로 수정하고, 만족스러운 용어 목록을 만들 수 있도록 모든 정보가 제공됩니다.
	보시다시피, 요약 아래에 모델 목록이 있는데, 여러 모델을 실행해야 할 수도 있기 때문입니다. 다시 모델로 돌아가 보면… 아, 죄송합니다… 다시 돌아가 보면…
	여기 설정을 좀 다르게 하면 약간 다른 모델을 실행할 수도 있어요. 예를 들어, BIC가 AICc보다 조금 더 보수적이라는 걸 알고 있고, 더 적은 항을 반환하고 싶을 수도 있죠. 아니면 900개의 항이 반환된 분석을 했는데 너무 많아서 부담스러웠을 수도 있고요.
	그럼 실행 버튼을 눌러서 그걸 기반으로 다른 모델을 만들어 볼게요.
	이제 해당 모델이 목록에 추가되었으므로, 각 모델의 결과를 확인하기 위해 모델 간 전환을 할 수 있습니다. 이 경우 37개가 아닌 14개의 항목만 반환되었으며, 아래에서 자세히 살펴보겠습니다.
	이 과정을 통해 얻을 수 있는 두 가지 주요 결과물은 바로 용어 목록입니다. 만약 이 목록을 저장하고 싶다면, 즉 여러분에게 중요하고 추적하고 싶은 용어들만 모아두고 싶다면, 마우스 오른쪽 버튼을 클릭하고 데이터 테이블로 만들면 됩니다. 이제 JMP 테이블이 생성되었습니다.
	항, 계수 및 기타 정보와 함께.
	그리고
	만약 실제로 원하는 것이 이 정보를 원래 데이터 테이블에 다시 기록하여 다른 분석이나 예측 모델에서 활용하는 것이라면,
	용어 선택으로 이동하여 용어 점수를 문서 용어 행렬로 저장하겠다고 선택하면 됩니다. 데이터 테이블을 다시 가져오면 이제 해당 문서에 기록된 것을 확인할 수 있습니다.
	선택된 각 항에 대한 열이 표시됩니다. 이 경우 계수 값으로 채워져 있으며, 이제 이를 사용할 수 있습니다.
	양적 정보는 내가 원하는 방식으로 얻을 수 있다.
	지금까지 용어 선택에 대해 간략하게 설명했습니다. 다시 말하지만, 핵심은 제가 관심 있는 변수와 관련된 용어 목록을 찾았고, 계수를 통해 그 관계가 얼마나 강한지까지 파악할 수 있다는 것입니다.
	그럼 이제 마무리해 볼까요? 두 가지 기법을 다뤘습니다. 중요한 단어를 찾는 용어 선택 기법을 살펴봤고, 그 전에는 감정 분석에 대해 복습했습니다.
	텍스트에서 긍정적 또는 부정적 감정의 정도를 정량화하는 두 가지 새로운 텍스트 마이닝 기법이 JMP Pro 16의 텍스트 탐색기에 추가됩니다. 여러분께서 이 기능들을 직접 사용해 보시고 피드백을 주시기를 기대합니다.

고급 통계 모델링기초 데이터 분석 및 모델링소비자 및 시장 조사데이터 혼합 및 정리데이터 탐색 및 시각화실험 설계대량 맞춤화예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석결과 공유 및 소통