Classifictaion

分類在機器學習之中帶來了極大的貢獻，不論是學術論文或真實世界的應用，都是最普遍的

可以說是貢獻了point與coin呢

Analyzing the sentiment of reviews: A case study in classification

在課程中討論的是在西雅圖的作者想去吃一間好吃的壽司店，但是我西雅圖有非常多高評價的壽司店(都是四顆星)

此時他要考慮的就不單單只是好吃，還需要考慮到用餐環境、要排隊嗎....等

但是我這邊想用一個最近吃過的迷之涼麵店來對應作者的例子，他在網路上的評價非常兩極，所以剛好可以拿來用

前陣子在PTT上還有著這麼一篇文章

從所有的google評論都來看，以下圖為例(已修改過)

• 店員親切又帥氣從這評論來看，是正面評價
• 接著下一個評論卻說，醬汁無法與麵條吸附不及格，這意味著涼麵不好吃
• 然後下一個評論員又說需要耐心等候，可想而知要排隊排很久
• 但最後一個評論卻說味增湯很好喝，因此他的湯品確實是獲得非常高的評價

假設我不關心涼麵，我去老陳涼麵是去喝味增湯的，所以我最關心的只有湯好不好喝

假設我們收集完這間小吃店的所有評論，我們把它輸入給這餐廳系統，藉由這個系統，他會告訴我

-小吃店服務品質好
-麵很難吃，可是我是來喝湯的，根本不重要
-排隊排超久，身為一個台灣人，一窩蜂吃排隊美食也只是日常，所以也不重要
-還有我最關心的湯，好喝

最後系統甚至會出現一個反饋涼麵過譽、湯好喝

該如何產生這樣的系統呢?，首先我們必須把所有評論拆開成一些語句，因為所有的評論都是由一些句子所構成

舉個例子，有一句話這麼說

我們將這句話輸入到情感分析器，這個分析器就會告訴我們這個句子是積極或消極的評價

有了這個分析器之後，我們就可以讀入所有的評論，並且選擇我所關心的內容相關的語句(與湯相關之評價)

把這些語句過篩選後的子集合，將他輸入到情感分析器當中，然後求出每個語句的平均值

不只如此我們還可以觀察出這些關於湯的語句，找出那一個是最積極與最消的評價

以這個例子來說

最積極應該是此湯只應天上有，人生難得幾回嘗

最消極則是因為其他都不好吃，所以才顯得湯的好喝

Reference:

• Machine Learning Foundations: A Case Study Approach 華盛頓大學在 coursera 上的公開課程，為本筆記追蹤的主要素材
• 課程投影片