Contexto

La extracción de características se utiliza para reducir la cantidad de recursos necesarios para describir un gran conjunto de datos textuales. Es un término general para los métodos de construcción de combinaciones de variables para evitar estos problemas y, al mismo tiempo, describir los datos con la precisión suficiente. Las características extraídas se utilizan comúnmente en métodos de clasificación de documentos, donde la frecuencia de aparición de cada palabra en un documento se utiliza como una característica para entrenar un clasificador.

 

Datos para el análisis

En este artículo, utilizaremos datos de la base de datos de películas de Internet (IMDB), que consta de 4000 reseñas de películas escritas en inglés.

 

Configuración

• Abra XLSTAT.

• Seleccione XLSTAT / Minería de texto / Extracción de características .

En la pestaña General:

• Seleccione la columna “Revisar” en el campo Hoja de trabajo

• Seleccione la columna “Id” en el campo Etiquetas del documento .

En el submenú Preprocesamiento de la pestaña Opciones

• Excluir una lista de palabras vacías en inglés

• Eliminar signos de puntuación y números

• Activar la opción Stemming

 

En el submenú Formulario intermedio , aplicar filtrado:

• Activar la opción Eliminar términos dispersos

• Introduzca 10 como frecuencia mínima

• Haz clic en el botón OK para iniciar los cálculos.

• Los resultados se muestran en una nueva hoja de Excel.

 

Interpretación de los resultados 

Se muestra la matriz de términos del documento.

 
Se han eliminado los términos cuya proporción de presencia es inferior al 5% en todas las reseñas. Los términos que aparecen menos de 10 veces en todas las reseñas no están presentes en la matriz de términos del documento generada.
La nube de palabras, que representa la frecuencia de las palabras presentes en todas las reseñas, se muestra después de la matriz de términos del documento.