回复：在JMP®Pro中使用文本挖掘功能為消費者反饋建模（US 2018 109）嗨，想知道您是否可以提供一個小的“數據片段”，以便確保我了解您的過程。 看起來很棒謝謝，吉姆·格雷森（奧古斯塔大學，赫爾學院）
在JMP®Pro中使用文本挖掘功能對消費者反饋進行建模（US 2018 109）級別：中級
百善可樂統計學家ShanKang Qu
王木木，百事可樂公司高級科學家/統計學家
本研究旨在使用監督學習情緒分析來評估客戶評論和購買行為。 從消費者對飲料產品的反饋和評論中收集的逐字記錄（即文本數據）可分為投訴，讚美和建議等類別。 通過使用JMP Pro創建的文本挖掘模型，我們證明了混合算法實現的可行性，在該算法中，將手工構建的分類器與從數據中的經驗學習相結合。 自動化系統會將算法與累積的逐字記錄連接到語音記錄的反饋中，並將文檔分為三類之一。 該算法可適應新數據和新經驗，從而隨著時間的推移提高預測質量。 我們的服務人員通過電話，電子郵件，社交媒體，聊天和電子商務，手動關聯來自消費者的7,507個文檔。 在本演示中，我們將展示如何使用諸如神經網絡之類的方法來構建文本挖掘模型。 在混淆矩陣中，我們在訓練中實現了6％的誤分類率，在驗證中實現了11％的誤分類率。 通過使用引導森林和名義Logistic模型獲得的比率略高。 比較建模結果和逐字記錄的原始編碼，我們還發現了一些數據輸入問題。 對模型進行了訓練，以捕獲人為錯誤分類的文檔。
爆發預測建模
