ݺߣ

ݺߣShare a Scribd company logo

Bayesçi ağlar

•Download as PPTX, PDF•
•
S
Soner Çakal

Bayesian Netwoks Bayesçi Ağlar Naive Bayes Tree Augmented Naive Bayes Text Mining Sentiment Analysis Duygu Analizi

Convert to study materialsBETA

Transform any presentation into ready-made study material—select from outputs like summaries, definitions, and practice questions.

1 of 22
Download to read offline
BAYESÇİ AĞLARLA DUYGU ANALİZİ SONER ÇAKAL
TEZİN İÇERİĞİ  METİN MADENCİLİĞİ-DUYGU ANALİZİ  BAYESÇİ AĞLAR  TREE AUGMENTED NAIVE BAYES  NAIVE BAYES  UYGULAMA
METİN MADENCİLİĞİ  Metin madenciliği metinlerden anlamlı bilgi çıkarımıdır.  Metin sayısal hale getirilir.  Sayısal hale gelen veri anlamlandırılır.  Veriler sayısal hale geldikten sonra klasik veri madenciliği yöntemleri uygulanabilir.  Bilginin içindeki desenleri keşfetmek, bilgiyi analiz etmek metin madenciliğinin konusudur.
 METİN MADENCİLİĞİ KULLANIM ALANLARI  Akademik makaleler  Müşteri yorumları  E-mailler  Soru cevaplama  Web  Sosyal medya  Duygu analizi  Konu çıkarımı  Özetleme  Yazar tanıma
DUYGU ANALİZİ  Sentiment analizi, sentiment sınıflandırma, fikir madenciliği, öznel analiz, görüş madenciliği olarak da bilinir.  Müşteri görüş ve yorumları toplanır.  Veri işlemede kullanılır.  Şikayetvar, sözlükler  Duygu analizi ile veriler nötr, negatif ve pozitif olarak işlenir.Böylece genel bir yorum elde edilir.  Duygu analizi için;  Destek vektör makineleri, yapay sinir ağları, karar ağaçları, olasılıksal ağlar, rasgele orman duygu analizi için kullanılabilir.
METİN ÖZELLİK GÖSTERİMİ  BOW,,TF-IDF  POS  DUYGU KELİMELERİ  OLUMSUZLUK İFADELERİ  En uygun özellik, deneysel çalışmalar yapılarak bulunur.  Sık geçen kelime filtreleme, durdurma ifadelerinin kaldırılması,kelimelerin büyük küçük harf dönüşümü yapılması.
METİN ÖZELLİK SEÇİMİ  Gereksiz ve amaca hizmet etmeyen özelliklerin elenmesi sürecidir.  Performansı geliştirmek, öğrenmeyi geliştirmek, minimum bilgi kaybı ile hızlı işlem yaptırmak, karmaşıklığı azaltmak.  Filtreleme, yüksek skorluları seçmek.  Terim sıklığı, eşli bilgi, bilgi edinimi , ki kare istatistiği vb  Bilgi edinimi yüksek olan değerler özellik olarak kullanılır.
BAYESÇİ AĞLAR  Değişkenler arasındaki ilişkileri gösteren olasılıksal grafiklerdir.  Uzman görüşü, veriden ve hem uzman görüşü hemde veriden hareketle bayesçi ağ oluşturulabilir.  Yapı öğrenme, parametre öğrenme.
Naive Bayes
Tree Augmented Naive Bayes
TEZİN AMACI  Türkçe duygu analizi için TAN yöntemini uygulamak, NB yöntemi ile karşılaştırmak.  Bazı filtreleme işlemleri uygulayarak performansı ölçmek.  NB ve TAN yönteminin duygu analizi performansını ölçmek.
UYGULAMA  5 adet mobil uygulama verisinden oluşmaktadır.İçerik olarak yorumlar, verdiği yıldız,firma etkisi kullanılmıştır.  1 nisan ile 07 nisan arasındaki veriler kullanılmıştır.  Play.google.com internet sitesinden veriler elde edilmiştir.  1598 veriden oluşmuştur.
SENTİMENT DAĞILIMI SENTİMENT TOPLAM YÜZDE Negatif 346 21,65207 Nötr 91 5,694618 Pozitif 1161 72,65332 Genel Toplam 1598 100
Bayesçi ağlar
DEĞİŞKENLER KELİME DEĞİŞKEN İSMİ SAYI . B1 310 uygulama B4 230 bir B70 207 Çok B14 151 Güzel B3 144 iyi B12 142 ve B282 135 güzel B15 134 çok B98 101 Süper B69 96 Harika B299 89 daha B114 82 kolay B297 67 Guzel B597 65 yok B83 60 bi B16 58 bu B34 57 ederim B59 50 guzel B554 47 Cok B291 45 cok B113 44
Değişken sayıları ÖZELLİK YÖNTEMİ ÖN İŞLEME DEĞİŞKEN SAYISI UNİGRAM YOK 4362 UNİGRAM 3 SIKLIKTAN BÜYÜK 715 UNİGRAM 5 SIKLIKTAN BÜYÜK 300 UNİGRAM BİLGİ ÇIKARIMI 41 UNİGRAM 10-100 SIKLIK 153 UNİGRAM 2 SIKLIKTAN BÜYÜK 1217
ÖZELLİK YÖNTEMİ ÖN İŞLEME DEĞİŞKEN SAYISI 2-gram 3 sıklıktan büyük 265 2-gram 5 sıklıktan büyük 98 2-gram yok 8964
Bayesçi ağlar
Unigram ve 2gram performanslarının karşılaştırılması YÖNTEM ADI ÖN İŞLEME BAŞARI FİRMA ETKİSİ ÖZELLİK TÜRÜ YILDIZ ETKİSİ GRAM SAYILARI TAN 3 SIKLIKTAN BÜYÜK 88 YOK unigram YOK 715 NB 3 SIKLIKTAN BÜYÜK 84,4 YOK unigram YOK 715 NB 3 SIKLIKTAN BÜYÜK 78,2 YOK 2 -gram YOK 265 TAN 3 SIKLIKTAN BÜYÜK 77,9 YOK 2 -gram YOK 265 TAN 5 SIKLIKTAN BÜYÜK 85,4 YOK unigram YOK 300 NB 5 SIKLIKTAN BÜYÜK 83,9 YOK unigram YOK 300 NB 5 SIKLIKTAN BÜYÜK 75,7 YOK 2-gram YOK 98 TAN 5 SIKLIKTAN BÜYÜK 75,3 YOK 2-gram YOK 98
Firma etkisnin ve yıldız etkisiyle analiz sonuçları YÖNTEM ADI TERİMLER BAŞARI FİRMA ETKİSİ GRAM YILDIZ ETKİSİ GRAM SAYILARI TAN 3 SIKLIKTAN BÜYÜK 90,2 VAR 2 gram VAR 265 NB 3 SIKLIKTAN BÜYÜK 89,6 VAR 2 gram VAR 265 TAN 3 SIKLIKTAN BÜYÜK 93,4 VAR unigram VAR 715 NB 3 SIKLIKTAN BÜYÜK 88,9 VAR unigram VAR 715 TAN 5 SIKLIKTAN BÜYÜK 90,3 VAR 2 gram VAR 98 NB 5 SIKLIKTAN BÜYÜK 90,1 VAR 2 gram VAR 98 TAN 5 SIKLIKTAN BÜYÜK 91,7 VAR unigram VAR 300 NB 5 SIKLIKTAN BÜYÜK 89,7 VAR unigram VAR 300 TAN 1 SIKLIKTAN BÜYÜK 93,3 VAR unigram VAR 1217 NB 1 SIKLIKTAN BÜYÜK 88 VAR unigram VAR 1217 TAN 10-100 SIKLIK 90 VAR unigram VAR 153 NB 10-100 SIKLIK 89 VAR unigram VAR 153
TAN VE NB SINIFLANDIRMA KARŞILAŞTIRMASI TP FP TN FN RECALL PRECİSİ ON SENSİVİ TY SPECİFİ TY F MEASUR E TAN Pozitif 1145 46 391 16 0,99 0,96 0,99 0,89 0,97 Negatif 319 49 1203 27 0,92 0,87 0,92 0,96 0,89 Nötr 30 9 1498 61 0,33 0,77 0,33 0,99 0,46 NB Pozitif 1122 67 370 39 0,97 0,94 0,97 0,85 0,95 Negatif 304 67 1185 42 0,88 0,82 0,88 0,95 0,85 Nötr 14 24 1483 77 0,15 0,37 0,15 0,98 0,22
SONUÇLAR  TAN yöntemi türkçe duygu analizi için kullanılabilir.  TAN yönteminde filtreleme işlemi sınıflandırma başarısını arttırmıştır.  Unigram kullanmak daha başarılı sonuçlar vermiştir.  Bilgi çıkarımı değişken sayısını azaltmış ve analizin hızını arttırmıştır.  TAN yöntemi NB yöntemine göre başarılı sonuçlar vermiştir.

More Related Content

Bayesçi ağlar

  • 1. BAYESÇİ AĞLARLA DUYGU ANALİZİ SONER ÇAKAL
  • 2. TEZİN İÇERİĞİ  METİN MADENCİLİĞİ-DUYGU ANALİZİ  BAYESÇİ AĞLAR  TREE AUGMENTED NAIVE BAYES  NAIVE BAYES  UYGULAMA
  • 3. METİN MADENCİLİĞİ  Metin madenciliği metinlerden anlamlı bilgi çıkarımıdır.  Metin sayısal hale getirilir.  Sayısal hale gelen veri anlamlandırılır.  Veriler sayısal hale geldikten sonra klasik veri madenciliği yöntemleri uygulanabilir.  Bilginin içindeki desenleri keşfetmek, bilgiyi analiz etmek metin madenciliğinin konusudur.
  • 4.  METİN MADENCİLİĞİ KULLANIM ALANLARI  Akademik makaleler  Müşteri yorumları  E-mailler  Soru cevaplama  Web  Sosyal medya  Duygu analizi  Konu çıkarımı  Özetleme  Yazar tanıma
  • 5. DUYGU ANALİZİ  Sentiment analizi, sentiment sınıflandırma, fikir madenciliği, öznel analiz, görüş madenciliği olarak da bilinir.  Müşteri görüş ve yorumları toplanır.  Veri işlemede kullanılır.  Şikayetvar, sözlükler  Duygu analizi ile veriler nötr, negatif ve pozitif olarak işlenir.Böylece genel bir yorum elde edilir.  Duygu analizi için;  Destek vektör makineleri, yapay sinir ağları, karar ağaçları, olasılıksal ağlar, rasgele orman duygu analizi için kullanılabilir.
  • 6. METİN ÖZELLİK GÖSTERİMİ  BOW,,TF-IDF  POS  DUYGU KELİMELERİ  OLUMSUZLUK İFADELERİ  En uygun özellik, deneysel çalışmalar yapılarak bulunur.  Sık geçen kelime filtreleme, durdurma ifadelerinin kaldırılması,kelimelerin büyük küçük harf dönüşümü yapılması.
  • 7. METİN ÖZELLİK SEÇİMİ  Gereksiz ve amaca hizmet etmeyen özelliklerin elenmesi sürecidir.  Performansı geliştirmek, öğrenmeyi geliştirmek, minimum bilgi kaybı ile hızlı işlem yaptırmak, karmaşıklığı azaltmak.  Filtreleme, yüksek skorluları seçmek.  Terim sıklığı, eşli bilgi, bilgi edinimi , ki kare istatistiği vb  Bilgi edinimi yüksek olan değerler özellik olarak kullanılır.
  • 8. BAYESÇİ AĞLAR  Değişkenler arasındaki ilişkileri gösteren olasılıksal grafiklerdir.  Uzman görüşü, veriden ve hem uzman görüşü hemde veriden hareketle bayesçi ağ oluşturulabilir.  Yapı öğrenme, parametre öğrenme.
  • 11. TEZİN AMACI  Türkçe duygu analizi için TAN yöntemini uygulamak, NB yöntemi ile karşılaştırmak.  Bazı filtreleme işlemleri uygulayarak performansı ölçmek.  NB ve TAN yönteminin duygu analizi performansını ölçmek.
  • 12. UYGULAMA  5 adet mobil uygulama verisinden oluşmaktadır.İçerik olarak yorumlar, verdiği yıldız,firma etkisi kullanılmıştır.  1 nisan ile 07 nisan arasındaki veriler kullanılmıştır.  Play.google.com internet sitesinden veriler elde edilmiştir.  1598 veriden oluşmuştur.
  • 13. SENTİMENT DAĞILIMI SENTİMENT TOPLAM YÜZDE Negatif 346 21,65207 Nötr 91 5,694618 Pozitif 1161 72,65332 Genel Toplam 1598 100
  • 15. DEĞİŞKENLER KELİME DEĞİŞKEN İSMİ SAYI . B1 310 uygulama B4 230 bir B70 207 Çok B14 151 Güzel B3 144 iyi B12 142 ve B282 135 güzel B15 134 çok B98 101 Süper B69 96 Harika B299 89 daha B114 82 kolay B297 67 Guzel B597 65 yok B83 60 bi B16 58 bu B34 57 ederim B59 50 guzel B554 47 Cok B291 45 cok B113 44
  • 16. Değişken sayıları ÖZELLİK YÖNTEMİ ÖN İŞLEME DEĞİŞKEN SAYISI UNİGRAM YOK 4362 UNİGRAM 3 SIKLIKTAN BÜYÜK 715 UNİGRAM 5 SIKLIKTAN BÜYÜK 300 UNİGRAM BİLGİ ÇIKARIMI 41 UNİGRAM 10-100 SIKLIK 153 UNİGRAM 2 SIKLIKTAN BÜYÜK 1217
  • 17. ÖZELLİK YÖNTEMİ ÖN İŞLEME DEĞİŞKEN SAYISI 2-gram 3 sıklıktan büyük 265 2-gram 5 sıklıktan büyük 98 2-gram yok 8964
  • 19. Unigram ve 2gram performanslarının karşılaştırılması YÖNTEM ADI ÖN İŞLEME BAŞARI FİRMA ETKİSİ ÖZELLİK TÜRÜ YILDIZ ETKİSİ GRAM SAYILARI TAN 3 SIKLIKTAN BÜYÜK 88 YOK unigram YOK 715 NB 3 SIKLIKTAN BÜYÜK 84,4 YOK unigram YOK 715 NB 3 SIKLIKTAN BÜYÜK 78,2 YOK 2 -gram YOK 265 TAN 3 SIKLIKTAN BÜYÜK 77,9 YOK 2 -gram YOK 265 TAN 5 SIKLIKTAN BÜYÜK 85,4 YOK unigram YOK 300 NB 5 SIKLIKTAN BÜYÜK 83,9 YOK unigram YOK 300 NB 5 SIKLIKTAN BÜYÜK 75,7 YOK 2-gram YOK 98 TAN 5 SIKLIKTAN BÜYÜK 75,3 YOK 2-gram YOK 98
  • 20. Firma etkisnin ve yıldız etkisiyle analiz sonuçları YÖNTEM ADI TERİMLER BAŞARI FİRMA ETKİSİ GRAM YILDIZ ETKİSİ GRAM SAYILARI TAN 3 SIKLIKTAN BÜYÜK 90,2 VAR 2 gram VAR 265 NB 3 SIKLIKTAN BÜYÜK 89,6 VAR 2 gram VAR 265 TAN 3 SIKLIKTAN BÜYÜK 93,4 VAR unigram VAR 715 NB 3 SIKLIKTAN BÜYÜK 88,9 VAR unigram VAR 715 TAN 5 SIKLIKTAN BÜYÜK 90,3 VAR 2 gram VAR 98 NB 5 SIKLIKTAN BÜYÜK 90,1 VAR 2 gram VAR 98 TAN 5 SIKLIKTAN BÜYÜK 91,7 VAR unigram VAR 300 NB 5 SIKLIKTAN BÜYÜK 89,7 VAR unigram VAR 300 TAN 1 SIKLIKTAN BÜYÜK 93,3 VAR unigram VAR 1217 NB 1 SIKLIKTAN BÜYÜK 88 VAR unigram VAR 1217 TAN 10-100 SIKLIK 90 VAR unigram VAR 153 NB 10-100 SIKLIK 89 VAR unigram VAR 153
  • 21. TAN VE NB SINIFLANDIRMA KARŞILAŞTIRMASI TP FP TN FN RECALL PRECİSİ ON SENSİVİ TY SPECİFİ TY F MEASUR E TAN Pozitif 1145 46 391 16 0,99 0,96 0,99 0,89 0,97 Negatif 319 49 1203 27 0,92 0,87 0,92 0,96 0,89 Nötr 30 9 1498 61 0,33 0,77 0,33 0,99 0,46 NB Pozitif 1122 67 370 39 0,97 0,94 0,97 0,85 0,95 Negatif 304 67 1185 42 0,88 0,82 0,88 0,95 0,85 Nötr 14 24 1483 77 0,15 0,37 0,15 0,98 0,22
  • 22. SONUÇLAR  TAN yöntemi türkçe duygu analizi için kullanılabilir.  TAN yönteminde filtreleme işlemi sınıflandırma başarısını arttırmıştır.  Unigram kullanmak daha başarılı sonuçlar vermiştir.  Bilgi çıkarımı değişken sayısını azaltmış ve analizin hızını arttırmıştır.  TAN yöntemi NB yöntemine göre başarılı sonuçlar vermiştir.