論文の概要: A Comparative Analysis of Classical Machine Learning and Deep Learning Approaches for Sentiment Classification on IMDb Movie Reviews

• arxiv url: http://arxiv.org/abs/2605.07811v1
• Date: Fri, 08 May 2026 14:44:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.125871
• Title: A Comparative Analysis of Classical Machine Learning and Deep Learning Approaches for Sentiment Classification on IMDb Movie Reviews
• Title（参考訳）: IMDb映画レビューにおける感性分類のための古典的機械学習と深層学習の比較分析
• Authors: Erma Daniar Safitri, Lia Hana Ichisasmita, Citra Agustin, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a comparative study of classical machine learning and deep learning methods for sentiment classification on the IMDb movie reviews dataset. The machine learning pipeline uses TF-IDF features and PyCaret AutoML to evaluate Logistic Regression, Naïve Bayes, and Support Vector Machine, while the deep learning pipeline implements BiLSTM and BiLSTM with an attention mechanism. Experimental results show that classical machine learning, especially SVM, achieves the best performance with an accuracy of 0.8530, outperforming the deep learning models in this study. The BiLSTM with Attention model improves over the standard BiLSTM and reaches an accuracy of 0.706, indicating better contextual modeling. The paper concludes that although deep learning can capture sequential dependencies, classical machine learning remains a strong baseline when combined with effective feature engineering such as TF-IDF, particularly under limited data and computational resources.
• Abstract（参考訳）: 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、ネイブベイズ、サポートベクトルマシンの評価を行い、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。 実験の結果,従来の機械学習,特にSVMは0.8530の精度で最高の性能を示し,ディープラーニングモデルよりも優れていた。 BiLSTM with Attention モデルは標準の BiLSTM よりも改善され、精度は 0.706 に達し、文脈モデルの改善が示されている。 この論文は、ディープラーニングはシーケンシャルな依存関係をキャプチャできるが、TF-IDFのような効果的な機能工学、特に限られたデータや計算資源の下では、古典的な機械学習は強力なベースラインである、と結論付けている。

関連論文リスト

• A Comparison of Traditional Machine Learning Algorithms and LSTM-Based Deep Learning Models for Email Sentiment Analysis [0.0]
  本研究では,従来の機械学習アルゴリズムとディープラーニングアーキテクチャの比較性能解析を行った。 SVMは、Eメール検出タスクの予測精度と処理速度の最も最適なバランスを提供する。
  論文  参考訳（メタデータ） (2026-05-05T07:20:52Z)
• Sentiment Analysis of Mobile Legends App Reviews Using Machine Learning and LSTM-Based Deep Learning Models [0.0]
  本稿では,Mobile Legendsアプリレビューの感情分析のための機械学習とLSTMに基づくディープラーニング手法を比較した。 TF-IDFとPyCaret AutoMLを使って従来のモデルを評価し、シーケンシャルテキスト依存関係をキャプチャするために設計されたLSTMモデルと比較する。
  論文  参考訳（メタデータ） (2026-05-02T08:25:59Z)
• 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)
• Music Genre Classification Using Machine Learning Techniques [0.0]
  本稿では,自動ジャンル分類のための機械学習手法の比較分析を行う。 本研究では,SVM(Support Vector Machines)やアンサンブル手法を含む古典的分類器の性能を評価する。 ドメイン固有の特徴工学を活用するSVMは、エンドツーエンドのCNNモデルよりも優れた分類精度を実現する。
  論文  参考訳（メタデータ） (2025-09-01T20:43:55Z)
• 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)
• An Interpretable Systematic Review of Machine Learning Models for Predictive Maintenance of Aircraft Engine [0.12289361708127873]
  本稿では,航空機エンジンの保守性を予測するため,各種機械学習モデルと深層学習モデルの解釈可能なレビューを行う。 本研究では, LSTM, Bi-LSTM, RNN, Bi-RNN GRU, Random Forest, KNN, Naive Bayes, Gradient Boostingを用いて, 航空機のエンジン故障の予測にセンサデータを用いた。 97.8%、97.14%、96.42%はGRU、Bi-LSTM、LSTMによってそれぞれ得られる。
  論文  参考訳（メタデータ） (2023-09-23T08:54:10Z)
• 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)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。