تجزیه و تحلیل Sentiment یک تکنیک است که برای تعیین لحن عاطفی پشت یک بدن از متن استفاده می شود. اندازه گیری دقت آن برای اطمینان از نتایج قابل اعتماد ضروری است.این مقاله روش ها، محاسبات و بهترین شیوه ها را برای اندازه گیری دقت تجزیه و تحلیل احساسات بررسی می کند.

روش های اندازه گیری دقیق

روش های مختلف برای ارزیابی عملکرد مدل های تجزیه و تحلیل احساسات استفاده می شود. رایج ترین شامل دقت، دقت، یادآوری و نمره F1 است. دقت نسبت پیش بینی های صحیح از تمام پیش بینی های انجام شده را اندازه گیری می کند. Precision صحت پیش بینی های مثبت را ارزیابی می کند، در حالی که توانایی مدل برای شناسایی همه موارد مثبت را ارزیابی می کند.

محاسبه برای دقت حساس

دقت محاسبه شامل مقایسه برچسب های احساسات پیش بینی شده با برچسب های واقعی است:

[[۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۱] [۱] [۲] [۱] [۲] [۱] [۲] [۲] [۱] [۲] [۱] [۲] [۲] [۱] [۱] [۲] [۱] [۲] [۱] [۲] [۱] [۱] [۱] [۲] [۲] [۲] [۲] [۱] [۱] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۱] [۲] [۱] [۲] [۲] [۲] [۲] [۱] [۲] [۲] [۱] [۱] [۲] [۱] [۱] [۲] [۲] [۲] [۲] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۲] [۲] [۱] [۲] [۲] [۲] [۲] [۱]

به عنوان مثال، اگر یک مدل به درستی احساسات را در ۸۵ از ۱۰۰ متن پیش بینی کند، دقت ۸۵ درصد است.معیارهای دیگر مانند دقت، یادآوری و نمره F1 نیاز به محاسبات اضافی بر اساس مثبت واقعی، مثبت کاذب، منفی واقعی و منفی کاذب دارند.

بهترین تمرین ها برای بهبود دقت

برای افزایش دقت تحلیل احساسات، شیوه های زیر را در نظر بگیرید:

  • کیفیت داده ها: از مجموعه داده های با کیفیت بالا و برچسب شده برای آموزش و آزمایش استفاده کنید.
  • انتخاب انتخابی: در ویژگی های مرتبط با شرکت مانند کلمات کلیدی، Emojis و زمینه.
  • مدل سازی Tuning: الگوریتم های بهینه سازی از طریق تنظیم hyperparameter.
  • اعتبار سنجی: [FLT 1] از تکنیک های متقابل-validation برای ارزیابی عملکرد مدل به طور قابل اعتماد استفاده کنید.
  • تقویت مداوم: مدل های به روز رسانی منظم با داده های جدید برای انطباق با تغییرات زبان.