machine-learning - 情感分析的最佳预处理技术是什么？

Question

我正在尝试将评论数据集分为两类，即 A 类和 B 类。我使用 LightGBM 进行分类。

我多次更改了分类器的参数，但结果没有出现巨大差异。

我认为问题出在预处理步骤上。我定义了一个如下所示的函数来进行预处理。我使用了词干分析并删除了停用词。我不知道我错过了什么。我尝试过 LancasterStemmer 和 PorterStemmer

stops = set(stopwords.words("english"))
def cleanData(text, lowercase = False, remove_stops = False, stemming = False, lemm = False):
    txt = str(text)
    txt = re.sub(r'[^A-Za-z0-9\s]',r'',txt)
    txt = re.sub(r'\n',r' ',txt)

    if lowercase:
        txt = " ".join([w.lower() for w in txt.split()])

    if remove_stops:
        txt = " ".join([w for w in txt.split() if w not in stops])

    if stemming:
        st = PorterStemmer()
        txt = " ".join([st.stem(w) for w in txt.split()])

    if lemm:
        wordnet_lemmatizer = WordNetLemmatizer()
        txt = " ".join([wordnet_lemmatizer.lemmatize(w) for w in txt.split()])
    return txt

是否需要进行更多预处理步骤才能获得更好的准确性？

数据集的 URL:Dataset

编辑:

我使用的参数如下所述。

params = {'task': 'train',
    'boosting_type': 'gbdt',
    'objective': 'binary',
    'metric': 'binary_logloss',
    'learning_rate': 0.01, 
    'max_depth': 22, 
    'num_leaves': 78,
    'feature_fraction': 0.1, 
    'bagging_fraction': 0.4, 
    'bagging_freq': 1}

我已经更改了 深度 和 num_leaves 参数以及其他参数。但准确率有点停留在一定水平..

Answer 1

有一些事情需要考虑。首先，您的训练集不平衡 - 类别分布约为 70%/30%。你需要在训练中考虑这个事实。您使用什么类型的功能？使用正确的功能集可以提高您的性能。