Publicação:
Avaliação experimental de classificadores para análise de sentimentos em dados de redes sociais

Página do item simplificado
dc.contributor.advisor1Barioni, Maria Camila Nardini
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3785426518998830pt_BR
dc.contributor.referee1Gabriel, Paulo Henrique Ribeiro
dc.contributor.referee1Latteshttp://lattes.cnpq.br/3181954061121790pt_BR
dc.contributor.referee2Nascimento, Marcelo Zanchetta do
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5800175874658088pt_BR
dc.creatorTiburcio, Gabriel Valentin
dc.date.accessioned2021-11-05T15:27:50Z
dc.date.available2021-11-05T15:27:50Z
dc.date.issued2021-10-26
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoAs redes sociais virtuais são ambientes cada vez mais comuns no cotidiano das pessoas em todo o mundo. Os usuários das redes sociais compartilham informações sobre sua vida constantemente para outras pessoas, tornando as redes sociais em uma possível fonte de informação sobre as emoções de um indivíduo. O Twitter faz parte das redes sociais mais populares e utilizadas no mundo, onde seus usuários compartilham tweets, que são textos curtos de até 280 caracteres, e também imagens e vídeos. Por ser uma rede social tão utilizada e por disponibilizar um grande volume de tweets gratuitamente, diferentes estudos sobre análise de sentimentos são realizados utilizando esses dados. A análise de sentimentos combina conceitos de aprendizagem de máquina, recuperação de informação e linguística computacional para extrair informações sobre opiniões e emoções contidas em diversas fontes de dados, e então realizar uma classificação automática para um sentimento. Neste trabalho de conclusão de curso, são abordadas técnicas de préprocessamento de texto e cinco algoritmos para classificação de sentimento encontrados na literatura, sendo eles Random Forest, Logistic Regression, Naive Bayes Classifier, KNearest Neighbor (KNN) e Support Vector Machine (SVM). Neste contexto, foram feitos experimentos e comparações de desempenho entre os algoritmos utilizando uma base de dados pública. Foram feitas análises dos resultados das predições, com o objetivo de definir o classificador que melhor realizou a tarefa de classificação de sentimento. Os resultados mostram os algoritmos SVM e Logistic Regression se sobressaindo sobre os demais em todos os experimentos, obtendo 77% e 76, 1% de acurácia respectivamente. Já o algoritmo KNN com os piores resultados de classificações de sentimento com no máximo 59, 6% de acurácia.pt_BR
dc.description.sponsorshipPesquisa sem auxílio de agências de fomentopt_BR
dc.identifier.citationTIBURCIO, Gabriel Valentin. Avaliação Experimental de Classificadores para Análise de Sentimentos em Dados de Redes Sociais. 2021. 61 f. Trabalho de Conclusão de Curso (Graduação em Estatística) – Universidade Federal de Uberlândia, Uberlândia, 2021.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/33142
dc.languageporpt_BR
dc.orcid.putcode102692190
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseSistemas de Informaçãopt_BR
dc.rightsAcesso Abertopt_BR
dc.sizeorduration61pt_BR
dc.subjectAnálise de Sentimentospt_BR
dc.subjectTwitterpt_BR
dc.subjectPré-processamentopt_BR
dc.subjectClassificadores de Sentimentopt_BR
dc.subjectMétricas de Avaliaçãopt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titleAvaliação experimental de classificadores para análise de sentimentos em dados de redes sociaispt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dspace.entity.typePublication

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
AvaliacaoExperimentalClassificadores.pdf
Tamanho:
1.73 MB
Formato:
Adobe Portable Document Format
Descrição:
Trabalho de Conclusão de Curso
Baixar

Licença do pacote

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.75 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

TCC - Sistemas de Informação (Uberlândia)