3 类（正面、中性和负面）的情绪分析？
Sentiment Analysis with 3 classes (positive, neutral, and negative)?
我想用 3 classes（正面、中性和负面）进行情绪分析。我已经看到很多关于情绪分析的工作，有两个 classes（正面和负面），但很少有 3 classes。如果我想在 Scikit-learn 中使用词袋法和 classifier（例如逻辑回归或 SVM），这将如何工作？用 3 classes 预测我的输出的步骤是什么？
我是否必须将每个 class 视为二进制 class化并做一些事情来组合结果，或者 sklearn 是否能够为我做一些处理所以我不必指定这个？
存在三种可能的方法：
- 使用 multiclass algorithms，例如逻辑回归或决策树（它们本质上是多类的）或一对一或一对一的包装器用于 SVM 等二元算法。
- 如果您想利用中性文本是 "somewhere between" 正面和负面的事实，您可以使用有序分类模型，例如 mord 包中的有序逻辑回归。
- 如果您想利用 类 的顺序，但又想留在 scikit-learn 中，我建议您先将任何回归模型拟合到您的数据（例如梯度增强回归器），然后使用基于其预测的逻辑回归。
我想用 3 classes（正面、中性和负面）进行情绪分析。我已经看到很多关于情绪分析的工作，有两个 classes（正面和负面），但很少有 3 classes。如果我想在 Scikit-learn 中使用词袋法和 classifier（例如逻辑回归或 SVM），这将如何工作？用 3 classes 预测我的输出的步骤是什么？
我是否必须将每个 class 视为二进制 class化并做一些事情来组合结果，或者 sklearn 是否能够为我做一些处理所以我不必指定这个？
存在三种可能的方法：
- 使用 multiclass algorithms，例如逻辑回归或决策树（它们本质上是多类的）或一对一或一对一的包装器用于 SVM 等二元算法。
- 如果您想利用中性文本是 "somewhere between" 正面和负面的事实，您可以使用有序分类模型，例如 mord 包中的有序逻辑回归。
- 如果您想利用 类 的顺序，但又想留在 scikit-learn 中，我建议您先将任何回归模型拟合到您的数据（例如梯度增强回归器），然后使用基于其预测的逻辑回归。