Martin Clinton Tosima Manullang
PulseAugur coverage of Martin Clinton Tosima Manullang — every cluster mentioning Martin Clinton Tosima Manullang across labs, papers, and developer communities, ranked by signal.
-
经典机器学习在IMDb情感分析上优于深度学习
一篇新的研究论文使用IMDb电影评论对传统机器学习技术与深度学习模型进行了情感分类比较。研究发现，经典方法，特别是带有TF-IDF特征的支持向量机，比BiLSTM等深度学习模型取得了更高的准确率。尽管深度学习模型在捕捉序列数据方面显示出潜力，但考虑到资源限制和特征工程，经典方法被证明更有效。
-
混合模型在印度尼西亚情感分析中取得优异成果
研究人员开发了一种混合方法用于印度尼西亚情感分析，结合了 TF-IDF 文本特征与 logistic 回归和神经网络基线。该研究专注于使用 707 个样本的数据集将社交媒体文本分类为正面、负面和中性类别。虽然 logistic 回归模型在准确率和 F1 分数上表现具有竞争力，但多层感知机 (MLP) 神经网络在实验环境中显示出更高的准确率，尽管它被认为不太适合生产部署。
-
XGBoost算法预测电子商务客户满意度（基于YouTube评论）
本研究论文介绍了一种使用XGBoost算法和TF-IDF向量化技术，对印度尼西亚电子商务评论视频中的YouTube评论进行客户满意度预测的模型。研究发现，PyCaret优化的机器学习框架取得了卓越的分类性能。值得注意的是，分析显示社会政治术语经常出现在电子商务讨论中，影响客户情绪。
-
LSTM模型在YouTube餐食计划评论分类中达到89%的准确率
一项研究利用长短期记忆（LSTM）方法，通过分析7733条YouTube评论，对印度尼西亚的免费营养餐计划的公众舆论进行了分析。LSTM模型在情感分类中达到了89%的准确率，在负面评论方面表现强劲，但由于数据不平衡，在正面情感方面面临挑战。这项研究强调了LSTM在印尼文本情感分析方面的有效性，以及它在通过社交媒体评估公共政策方面的贡献。
-
研究比较 AutoML 和 BiLSTM 在印度尼西亚 Instagram 网络欺凌检测中的应用
本研究论文比较了自动化机器学习 (AutoML) 和双向长短期记忆 (BiLSTM) 模型在检测印度尼西亚 Instagram 评论中的网络欺凌行为。研究使用了包含 650 条评论的数据集，评估了逻辑回归等各种机器学习算法以及带有注意力机制的 BiLSTM 等深度学习模型。结果表明，在传统机器学习方法中，逻辑回归表现最佳，而带有注意力机制的 BiLSTM 在深度学习方面表现最好，这凸显了针对非正式印尼语文本进行定制化预处理的重要性。