21、基于网络工程和网络挖掘的情感分析

基于网络工程和网络挖掘的情感分析

1. 分类器模型优势

随机森林（RF）能有效处理广泛数据集，管理多个变量且不遗漏变量。它通过组合多棵树创建波动较小的布局。这些分类器模型具有以下优势：
- 减少过拟合：通过考虑多棵树的均值来降低过拟合。
- 减少性能差异：使用多棵树减少分类性能的差异或不稳定性，特别是当分类数据在训练和测试数据之间不同时。这些模型使用了诸如装袋和自助法等重要技术。

2. 情感分类目的与挑战

情感分类的目的是将文本形式的可用信息进行分类，转化为已识别的类别，如积极、消极、愉悦和悲伤等。然而，提高分类结果的准确性是一项具有挑战性的任务，因为多个因素会影响研究结果，包括各种预处理措施、情感分类方式（文档或句子）、不同属性、词典以及机器学习方法等。

3. 提出的方法论

3.1 总体思路

为了提高文本分类的准确性，采用了“先奇异值分解（SVD）后主成分分析（PCA）”的方法来降低维度并减少文本分类的运行时间。同时，通过五个实验段来比较不同特征的输出，揭示影响分类准确性的因素。

3.2 具体步骤

3.2.1 数据集收集

• 电影数据集 ：包含1000条积极和1000条消极的电影评论，通过专门编写的Excel VBA程序将文本文件转换为Excel格式的标签数据。
• OHSUMED数据集 ：包含23种不同的心血管疾病分类，选取了与周围神经系统血管相关的五个类别（C03、C11、C12、C15和C21）。具体类别特征如