論文の概要: A Comparative Analysis of Machine Learning and Deep Learning Models for Tweet Sentiment Classification: A Case Study on the Sentiment140 Dataset

• arxiv url: http://arxiv.org/abs/2605.04888v1
• Date: Wed, 06 May 2026 13:21:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.832542
• Title: A Comparative Analysis of Machine Learning and Deep Learning Models for Tweet Sentiment Classification: A Case Study on the Sentiment140 Dataset
• Title（参考訳）: つぶやき知覚分類のための機械学習モデルとディープラーニングモデルの比較分析:Sentiment140データセットを事例として
• Abstract要約: 本研究では、TF-IDF機能を用いたロジスティック回帰モデルと、Sentiment140データセットの1万ツイートサブセット上での双方向長短期記憶アーキテクチャを比較した。 実験の結果、ロジスティック回帰は73.5%の精度を69.17%と比較し、BiLSTMよりも優れていた。
• 参考スコア（独自算出の注目度）: 1.125921430041183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The exponential growth of social media has created an urgent need for automated systems to analyze unstructured public sentiment in real time. This study compares a traditional Logistic Regression model using TF-IDF features with a deep learning Bidirectional Long Short-Term Memory (BiLSTM) architecture on a 10,000-tweet subset of the Sentiment140 dataset. Experimental results show that Logistic Regression outperformed BiLSTM, achieving an accuracy of 73.5% compared with 69.17%, while the deep learning model exhibited mild overfitting. These findings suggest that for medium-scale informal text data, classical machine learning with robust feature extraction can outperform more complex deep learning approaches. Finally, the trained models were integrated into an interactive web application using Streamlit and deployed on Hugging Face Spaces for public access.
• Abstract（参考訳）: ソーシャルメディアの指数的な成長は、構造化されていない世論をリアルタイムで分析する自動化システムに対する緊急の必要性を生み出した。 本研究では、TF-IDF機能を用いた従来のロジスティック回帰モデルと、Sentiment140データセットの1万ツイートサブセット上での双方向長短期記憶(BiLSTM)アーキテクチャを比較した。 実験の結果、ロジスティック回帰は73.5%の精度を69.17%と比較し、BiLSTMよりも優れていた。 これらの結果は,中規模の非公式テキストデータに対して,ロバストな特徴抽出による古典的機械学習の方が,より複雑なディープラーニング手法より優れていることを示唆している。 最後に、トレーニングされたモデルはStreamlitを使用してインタラクティブなWebアプリケーションに統合され、公開アクセスのためにHugging Face Spacesにデプロイされた。

関連論文リスト

• Unveiling Public Opinion: A Study of Sentiment Analysis Using LSTM and Traditional Models [0.3655021726150367]
  Twitter上の感情分析では、ツイートを肯定的、否定的、中立的な感情に分類する洗練された計算手法を採用している。 本稿では,機械学習と深層学習の有効性について検討する。 トークン化、レマティゼーション、ストップワード除去を通じて前処理されたKaggle Twitterデータセットを使用して、最適な感情分析モデルを特定する。
  論文  参考訳（メタデータ） (2026-07-08T16:32:39Z)
• InfoAtlas: A Foundation Model for Zero-Shot Statistical Dependence Estimate [68.14572758582081]
  InfoAtlasは、反復最適化の必要性を排除する基礎的なモデルのようなアーキテクチャである。 さまざまな依存構造を特定し、データセットから直接MIを予測することを学ぶ。 実験の結果、InfoAtlasは最先端のニューラル推定器と精度で一致し、100倍のスピードアップを達成した。
  論文  参考訳（メタデータ） (2026-05-29T18:16:51Z)
• A Comparative Analysis of Classical Machine Learning and Deep Learning Approaches for Sentiment Classification on IMDb Movie Reviews [0.0]
  本稿では,IMDb映画レビューデータセットを用いて,感情分類のための古典的機械学習手法とディープラーニング手法の比較検討を行う。 機械学習パイプラインは、TF-IDF機能とPyCaret AutoMLを使用して、ロジスティック回帰、Nave Bayes、Support Vector Machineを評価する。 ディープラーニングパイプラインは、注意機構を備えたBiLSTMとBiLSTMを実装している。
  論文  参考訳（メタデータ） (2026-05-08T14:44:36Z)
• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• AI Generated Text Detection [0.0]
  本稿では,従来の機械学習モデルとトランスフォーマーベースアーキテクチャの両方を含む,AIテキスト検出手法の評価を行う。 我々は、HC3とDAIGT v2という2つのデータセットを使用して、統一されたベンチマークを構築し、情報漏洩を防止するためにトピックベースのデータ分割を適用する。 その結果、文脈モデリングは語彙的特徴よりもはるかに優れていることが示され、話題記憶の緩和の重要性が強調された。
  論文  参考訳（メタデータ） (2026-01-07T11:18:10Z)
• Automated Analysis of Learning Outcomes and Exam Questions Based on Bloom's Taxonomy [0.0]
  本稿では,ブルームの分類に基づく試験質問と学習結果の自動分類について検討する。 6つの認知カテゴリをラベル付けした600文の小さなデータセットを、従来の機械学習(ML)モデルを用いて処理した。
  論文  参考訳（メタデータ） (2025-11-14T02:31:12Z)
• WebSeer: Training Deeper Search Agents through Reinforcement Learning with Self-Reflection [51.10348385624784]
  本稿では,自己回帰機構によって強化された強化学習によって訓練された,よりインテリジェントな検索エージェントであるWebSeerを紹介する。 提案手法はツール使用チェーンを大幅に拡張し,回答精度を向上する。
  論文  参考訳（メタデータ） (2025-10-21T16:52:00Z)
• Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
  インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。 本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。 本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
  論文  参考訳（メタデータ） (2025-07-31T05:34:27Z)
• Prismatic Synthesis: Gradient-based Data Diversification Boosts Generalization in LLM Reasoning [77.120955854093]
  我々は,データ多様性が言語モデルにおける一般化の強力な予測因子であることを示す。 モデル誘起勾配のエントロピーを通して多様性を定量化する計量であるG-Vendiを導入する。 多様な合成データを生成するためのフレームワークであるPrismatic Synthesisを提案する。
  論文  参考訳（メタデータ） (2025-05-26T16:05:10Z)
• Multi-Scale Convolutional LSTM with Transfer Learning for Anomaly Detection in Cellular Networks [1.1432909951914676]
  本研究では,トランスファーラーニング(TL)を用いたマルチスケール畳み込みLSTMによるセルネットワークの異常検出手法を提案する。 モデルは最初、公開データセットを使用してスクラッチからトレーニングされ、典型的なネットワーク動作を学習する。 我々は,スクラッチから訓練したモデルの性能と,TLを用いた微調整モデルの性能を比較した。
  論文  参考訳（メタデータ） (2024-09-30T17:51:54Z)
• Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
  本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。 我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。 我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
  論文  参考訳（メタデータ） (2023-07-28T16:03:28Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Sentiment Analysis with Deep Learning Models: A Comparative Study on a Decade of Sinhala Language Facebook Data [0.41783829807634776]
  双方向LSTMモデルは、シンハラ感情分析のF1スコアが84.58%に達する。 我々は、Facebookの反応がテキストの感情を予測するのに適していると主張することは安全であると結論付けている。
  論文  参考訳（メタデータ） (2022-01-11T13:31:15Z)
• Transformer-Based Behavioral Representation Learning Enables Transfer Learning for Mobile Sensing in Small Datasets [4.276883061502341]
  時系列から一般化可能な特徴表現を学習できるモバイルセンシングデータのためのニューラルネットワークフレームワークを提供する。 このアーキテクチャは、CNNとTrans-formerアーキテクチャの利点を組み合わせて、より良い予測性能を実現する。
  論文  参考訳（メタデータ） (2021-07-09T22:26:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。