Resumen

Muchos estudios de inteligencia artificial se centran en el diseño de nuevos modelos de redes neuronales o en la optimización de hiperparámetros para mejorar la precisión de los modelos. Para desarrollar un modelo fiable, se necesitan datos adecuados, y el preprocesamiento de datos es una parte esencial de la adquisición de los mismos. Aunque varios estudios consideran el preprocesamiento de datos como parte del proceso de exploración de datos, esos estudios carecen de conciencia sobre la necesidad de tecnologías y soluciones separadas para el preprocesamiento. Por ello, este estudio evaluó combinaciones de tipos de preprocesamiento en un modelo de red neuronal de procesamiento de textos. Se observó un mejor rendimiento cuando se utilizaron dos tipos de preprocesamiento que cuando se utilizaron tres o más tipos de preprocesamiento para la depuración de datos. Más concretamente, el uso conjunto de lematización y división de puntuación, de lematización y reducción de puntuación, y de reducción de puntuación y división de puntuación mostró efectos positivos en la precisión. Este estudio es significativo porque los resultados permiten tomar mejores decisiones sobre la selección de los tipos de preprocesamiento en diversos campos de investigación, incluida la investigación de redes neuronales.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:tipos, división de puntuación, muchos estudios de inteligencia artificial, nuevos modelos de redes neuronales, proceso de exploración de datos, más tipos de preprocesamiento, modelo de red neuronal, investigación de redes neuronales, diversos campos de investigación, datos
• Keywords:types, punctuation splitting, many artificial intelligence studies, new neural network models, data exploration process, more preprocessing types, neural network model, neural network research, various research fields, data