AgilitÀt: Stimmung mithilfe von Machine Learning analysieren
Datenaufbereitung ist ein wichtiger Bestandteil in der Entwicklung von ML-Software. Der Artikel fĂŒhrt Schritt fĂŒr Schritt durch den Aufbau einer ML-Pipeline.
Das Beispielprojekt dieses Artikels beschĂ€ftigt sich mit politischer Meinungsforschung. Die Aufgabenstellung fĂŒr das mittels einer Stimmungsanalyse zu lösende GeschĂ€ftsproblem ist bereits definiert: "Automatische Klassifizierung von deutschsprachigen Tweets mit dem Hashtag #Russland in positiv, negativ und neutral". Die Wertschöpfung durch ML ergibt sich aus der signifikanten Vereinfachung und Rationalisierung bisheriger klassischer empirischer Methoden und der Nutzung einer viel gröĂeren Datenmenge, was zu einer erhöhten Aussagekraft der Ergebnisse fĂŒhrt.
Die fĂŒr das Training benötigten Daten liegen seit der zweiten Phase des ML-Projekts [1] [1] vor und sind teilweise schon aufgearbeitet. Es ist nun an der Zeit, mit der Sentiment-Analyse zu beginnen und mit den Daten zu arbeiten (Phase 3).
Mit dem Einstieg in die dritte Phase stellt sich die Frage, welche Aufgaben vorliegen. Eine Stimmungsanalyse folgt dem Ziel, Textdaten mittels trainierter Algorithmen hinsichtlich des Sentiments, also der Autorenmeinung und Haltung zu einem bestimmten Thema, zu klassifizieren. Dabei gilt es zu klÀren, welcher Weg zwischen einem Tweet und seiner automatischen Klassifizierung in die Kategorien positiv, neutral oder negativ liegt.
URL dieses Artikels:
https://www.heise.de/-5030380
Links in diesem Artikel:
[1] https://www.heise.de/hintergrund/Machine-Learning-Mit-DevOps-vom-Businessproblem-zum-ML-Task-4931916.html
Copyright © 2021 Heise Medien