PyCaret
PulseAugur coverage of PyCaret — every cluster mentioning PyCaret across labs, papers, and developer communities, ranked by signal.
-
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。
-
CNN-BiLSTM 在印尼推特仇恨言论检测中优于 AutoML
本文比较了 PyCaret AutoML 和 CNN-BiLSTM 模型在检测印尼推特上的仇恨言论。CNN-BiLSTM 模型取得了优越的性能，准确率为 83.8%，F1 分数为 81.2%，优于 PyCaret 中最好的传统模型 Random Forest，其准确率为 77.2%，F1 分数为 77.0%。研究强调，虽然 PyCaret 对传统基准测试有效，但神经网络方法因其捕捉细微语言模式的能力而更适合此特定任务。
-
印度尼西亚情感分析：机器学习模型在评论分析中优于深度学习
两篇近期论文对传统机器学习模型与深度学习方法在印度尼西亚文本数据情感分析方面的表现进行了基准测试。一项关于 Tokopedia 评论的研究发现，线性 SVC 模型在准确率上优于 IndoBERT，达到了 97.60%，这归因于数据采样方式的差异。另一篇分析 Spotify 评论的论文指出，虽然 BiLSTM 取得了更高的整体加权 F1 分数，但使用 SMOTE 的传统机器学习方法在三分类性能上更为均衡。
-
LSTM 深度学习模型在《Mobile Legends》应用评论情感分析方面优于机器学习
本文评估了机器学习和基于 LSTM 的深度学习模型在《Mobile Legends》应用评论情感分析中的应用。研究使用了包含 10,000 条已标记评论的数据集，发现 LSTM 模型达到了 92% 的准确率和 91% 的加权 F1 分数，优于传统的机器学习基线。研究表明，深度学习方法更擅长处理用户评论中非正式且依赖上下文的语言。
-
研究人员使用带注意力的BiLSTM改进游戏评论情感分析
研究人员开发了一种基于注意力机制的双向长短期记忆（BiLSTM）模型，以改进Steam游戏评论的情感分类。这种在PyTorch中实现的深度学习方法，使用50,000条评论进行训练，达到了83%的准确率和85%的加权F1分数。该模型在识别负面情绪方面表现尤为有效，对此类评论的召回率为90%，并且通过注意力可视化突出关键情感词语提供了可解释性。
-
研究对NLP任务的AutoML和BiLSTM进行基准测试，结果好坏参半
研究人员比较了传统机器学习方法与深度学习模型在各种自然语言处理任务中的表现，包括细粒度情感分类和情感分析。研究使用了20种情感文本分类数据集和印度尼西亚电子商务评论等数据集。研究结果普遍表明，深度学习模型，特别是双向长短期记忆（BiLSTM）网络，通过更好地捕捉文本中的上下文细微差别，通常能获得更优越的性能。然而，传统的机器学习方法，如支持向量机和逻辑回归，在准确性方面仍然具有竞争力，并且在某些数据集上提供更高的计算效率。