品品科技|了解情绪划分：如何使用机器学习来保持积极心态？( 二 ) 全文共2208字

文章图片
结果

文章图片
KNN生成的图表显示：
·沮丧：算法将该特征归类为消极，这是显而易见的。但值得注意的是，在消极和中立之间有小部分的重叠。同时消极与中性界限也非常细微。这表明沮丧的情绪在某种程度上能够激励自己取得积极成果。综合考虑后，它被归类为消极标签。
·困惑：这项结果很有意思，算法将其标记为积极。在分析之前，我曾避免自己有困惑情绪。也许这些摇摆不定的情绪也能产生积极的结果，也许它们给了我们时间来衡量形势的正反面。
·悲伤：毫无疑问，这类情绪注定会产生消极的结果。
·自卑：有时候头脑中会出现一些随机的想法。它们没有来由没有依据。算法将这些情绪归类为中性。
·哭泣：与悲伤特征类似，该特征也被归为消极。但我认为它可能也有中立的一面，因为哭泣可以帮助平衡情绪。但如果依据图表来给定标签，很可能将其归类为积极而非中性。总体来看，它会引发消极情绪。
·痛苦：根据模型的预测，痛苦是导致心情不好的最重要特征。因此，它是极其消极的。
·振奋：KNN预测这个特征对我有益。但是，该图显示中性和消极情绪略有重叠。此外，令人吃惊的是，如果我们仅考虑这两个标签，消极标签的影响要比中性标签大得多。
·坚定：该特征非常有趣。结果之间几乎没有任何区别，很难立即做出诠释，但是使用箱形图可以轻易地理解这一点。

文章图片
箱形图提供了详尽的图示。图示清晰易懂，它们根据特征或思想给出了三种不同情绪或标签的清晰区分。它描绘的结果与KNN图或多或少相同，但它提供了更好的解释：
·坚定：尽管看起来这一特征明显会被归类为积极，但是KNN图表根据数据显示了这三个标签之间的相似性，这种相似性可能会产生误导。看看箱型图你就会发现，积极的结果只比另外两个高一点。因此，该特征被归类为积极标签。
·快乐：毋庸置疑，此特征为积极标签。但是，它对中性的四分位数远大于正数，如果仅考虑中性和负数，则中性要高于两者。

文章图片
图源：unsplash
这个项目非常有趣。起初，我以为分类结果是简单且显而易见的，但完成后，我才意识到这不仅仅是个分类。一个ML程序不仅能预测人类可以轻松完成的特定任务，还可以对数据集深入分析。
虽然这只是仿人智能的开始，但却非常有趣，也许这就是‘机器学习’命名的由来。

文章图片
留言点赞关注
我们一起分享AI学习与发展的干货
如转载，请后台留言，遵守转载规范