Hola, me pregunto si podría proporcionar un pequeño "fragmento de datos" para asegurarme de que entiendo su proceso. Se ve impresionante.Gracias, Jim Grayson (Hull College, Augusta University)
Nivel: intermedio
Shankang Qu, estadístico, PepsiCo
Mumu Wang, científico / estadístico sénior, PepsiCo
Este estudio tiene como objetivo evaluar las opiniones de los clientes y el comportamiento de compra mediante un análisis de sentimiento de aprendizaje supervisado. La palabra por palabra (es decir, los datos textuales) recopilados a partir de la retroalimentación y los comentarios de los consumidores sobre productos de bebidas se clasifican en categorías como quejas, elogios y sugerencias. A través de los modelos de minería de texto creados con JMP Pro, demostramos la viabilidad de una implementación de algoritmo híbrido donde los clasificadores hechos a mano se combinan con el aprendizaje empírico de los datos. Un sistema automatizado conectará los algoritmos a la retroalimentación entrante grabada por voz con la palabra acumulada y clasificará el documento en una de las tres categorías. Los algoritmos se adaptan en respuesta a nuevos datos y experiencias para mejorar la calidad de la predicción a lo largo del tiempo. Nuestros asociados de servicio codificaron manualmente 7,507 documentos de consumidores a través del teléfono, correo electrónico, redes sociales, chat y comercio electrónico. En esta presentación, mostraremos cómo construir modelos de minería de texto utilizando enfoques como las redes neuronales. En la matriz de confusión, logramos una tasa de clasificación errónea del 6% en el entrenamiento y el 11% en la validación. Se obtuvieron tasas ligeramente más altas mediante el uso de bosque bootstrap y modelos logísticos nominales. Al comparar los resultados del modelado y la codificación original textualmente, también encontramos algunos problemas de entrada de datos. Los modelos han sido entrenados para capturar documentos que fueron clasificados erróneamente por humanos.
