Resumen

La recopilación de opiniones públicas en Internet y aplicaciones basadas en Internet como Twitter se ha vuelto popular en tiempos recientes, ya que proporciona a los tomadores de decisiones puntos de vista públicos sin censura sobre productos, políticas gubernamentales y programas. A través del procesamiento del lenguaje natural y técnicas de aprendizaje automático, los datos no estructurados de estas fuentes pueden ser analizados utilizando el aprendizaje estadístico tradicional. El desafío encontrado en la clasificación de sentimientos basada en métodos de aprendizaje automático sigue siendo la gran cantidad de datos disponibles, lo que dificulta entrenar los algoritmos de aprendizaje en un tiempo factible. Esto eventualmente degrada la precisión de clasificación de los algoritmos. A partir de esta afirmación, no se puede subestimar el efecto de los tamaños de los datos de entrenamiento en las tareas de clasificación. Este estudio evaluó estadísticamente el rendimiento de los algoritmos Naive Bayes, máquina de vectores de soporte (SVM) y bosque aleatorio en la tarea de clas

• Materias:Repositorios digitales Extremidad robótica Algoritmos de aprendizaje
• Subjects:Digital repositories Robotic limb Learning algorithms
• Palabras claves:Recolección de opiniones públicas; Aplicaciones basadas en internet; Técnicas de aprendizaje automático; Clasificación de sentimientos; Tamaños de datos de entrenamiento; Clasificador de Bayes ingenuo
• Keywords:Gathering public opinions; Internet-based applications; Machine learning techniques; Sentiment classification; Training data sizes; Naive bayes classifier