使用分类和聚类算法进行情感分析：哪个更好？答案

【问题标题】：Sentiment Analysis using classification and clustering algorithms: Which is better?使用分类和聚类算法进行情感分析：哪个更好？
【发布时间】：2018-12-19 15:38:11
【问题描述】：

我正在尝试使用 Python 对歌曲歌词进行情感分析。在研究了许多简单的分类问题后，已知标签（例如电子邮件分类垃圾邮件/非垃圾邮件），我认为歌词情感分析位于分类字段。在实际编码时，我发现我必须计算每首歌曲歌词的情绪，并且可能会在原始数据集中添加一列，将其标记为正面或负面，或者使用实际的情绪分数。

这不能使用集群方法来完成吗？由于我们一开始并不知道每首歌曲的类别（正面情绪/负面情绪），因此算法将使用情绪分析对数据进行聚类。

【问题讨论】：

1.如果您没有标签，那么您别无选择，只能进行聚类 2. 您可以使用余弦相似度方法将相似的歌曲聚类在一起 3. 这种方法的效果取决于您的数据集和其他预处理步骤，如标记化等..顺便说一句，您使用的是哪个数据集
我正在使用这个数据集。 kaggle.com/mousehead/songlyrics

标签： machine-learning classification cluster-analysis sentiment-analysis

【解决方案1】：

聚类通常不会产生情绪。

它更有可能产生例如一个用于说唱的集群和一个用于非说唱的集群。或者一个用于偶数歌曲长度的歌词，一个用于奇数长度的歌词。

数据中包含的不仅仅是情绪。那么为什么聚类会产生情感聚类呢？

如果您想要特定标签（正面情绪、负面情绪），那么您需要提供训练数据并使用监督方法。

【讨论】：

【解决方案2】：

您正在考虑没有监督的聚类，即无监督聚类，这可能会导致准确度较低的结果，因为您实际上不知道分数的阈值是多少，它可以区分正类和负类。所以首先尝试找到将成为你的参数，将你的类分开。使用监督学习来找到阈值

【讨论】：

我在考虑使用默认阈值，这样我就可以筛选和强制 2 个类，类似于半监督学习。该算法知道有两个类，但它不知道哪个对象属于哪个类。对不起，如果我混淆了你，如果你愿意，我可以详细说明
如果您使用默认阈值，则不再称为学习。如果您使用阈值，则尝试使用基于规则的方法。如果要使用监督学习，则让使用训练数据确定阈值的算法，然后根据获得的阈值对测试数据进行分类