최근 들어 영상, 오디오, 텍스트 및 생체신호 등을 통해 사람의 감정을 분석하는 감성/감정 분석에 대한 연구가 활발히 진행되고 있다. 이러한 연구에서는 입력 특징에 대해서 중요한 특징을 생성하고, 머신러닝 알고리즘을 이용하여 분류기를 설계한다. 특징생성 방법은 전체 특징 셋에서 분류기에 사용될 부분집합 특징을 만드는 과정이다. 이러한 방법에는 ...
최근 들어 영상, 오디오, 텍스트 및 생체신호 등을 통해 사람의 감정을 분석하는 감성/감정 분석에 대한 연구가 활발히 진행되고 있다. 이러한 연구에서는 입력 특징에 대해서 중요한 특징을 생성하고, 머신러닝 알고리즘을 이용하여 분류기를 설계한다. 특징생성 방법은 전체 특징 셋에서 분류기에 사용될 부분집합 특징을 만드는 과정이다. 이러한 방법에는 특징선택과 특징추출 단계로 이루어져 있으며, 특징선택 방법은 통계적 특성 등을 이용하여 특징을 택하는 filter 방법과 반복적 방법을 통해 가장 성능이 좋은 특징을 택하는 wrapper 방법이 있다. 특징추출 방법은 주로 차원축소 방법이 사용되며, 대표적인 차원축소 방법에는 주성분 분석이 있다. 머신러닝 혹은 기계학습은 기계가 데이터를 훈련함으로써, 규칙성을 찾고, 이를 이용하여 분류기를 설계한다. 대표적인 알고리즘으로는 인공신경망, 가우시안나이브 베이즈 분류기, 서포트 벡터 머신 등이 있다. 본 논문에서는 효과적인 감성분석을 위한 특징생성 및 분류기 설계 알고리즘을 제안한다. 특징생성 알고리즘에서는 분산 값이 적은 특징을 제거하여 1차적으로 특징을 선택한다. 선택된 특징들을 상관계수를 이용하여 그룹화하고, 각각의 그룹에 대해서 주성분 분석을 이용하여 선택된 특징의 개수를 효과적으로 줄일 수 있었다. 마지막으로 주성분 분석을 적용하기 전과 후의 특징 개수의 비율을 이용하여 최적의 분산 threshold 값을 구하여 최종적인 특징생성 알고리즘을 제안하였다. 분류기 설계를 위해서 오차타원을 이용하여 분별함수를 수식화 하였다. Bimodal coefficient 값을 이용하여 데이터의 분포를 판별하고, multimodal 분포를 따르는 경우 독립적인 분류기를 설계하였다. 또한 오차타원의 장/단축과 중심점을 구하기 위해 통계적 파라미터인 skewness와 kurtosis 값을 이용하였다. 이러한 오차타원(분별함수)을 이용하여 최종적으로 6가지 감정(anger, bored, excited, happy, neutral, sad)으로 분류하였다. 데이터의 신뢰도와 객관적인 비교 평가를 고려하여, 본 논문에서는 기존에 감정분석 연구에서 자주 사용되는 Affective Norms for English Words, International Affective Digitized Sounds, International Affective Picture Systems 및 Dataset for Emotion Analysis using Physiological를 이용하였다. 특징생성 알고리즘의 성능 평가를 위해 전체 특징을 사용하는 경우와 알고리즘을 통해 생성된 특징을 이용한 분류기의 정확도와 연산량을 비교하였다. 정확도를 구하기 위해서 k-fold 교차검증 방식과 혼동행렬(confusion matrix)을 이용하였으며, 연산량을 비교하기 위해서는 기존의 연구와 동일하게 곱하기 연산자의 개수를 이용하였다. 성능 평가 결과, 제안하는 특징생성 알고리즘을 이용하여 전체 특징 셋을 이용하여 분류기를 설계하는 경우 대비 최대 32.33%의 연산량 감소와 1.7%의 정확도 상승을 확인하였다. 분류기 설계알고리즘의 성능 평가를 위해서는 동일한 데이터셋을 이용한 기존의 연구와 정확도를 비교하였으며 비교 결과, 제안하는 알고리즘을 통해 기존의 감성분류기 대비 최소 2.29%에서 24.79% 높은 분류기를 설계할 수 있었다.
최근 들어 영상, 오디오, 텍스트 및 생체신호 등을 통해 사람의 감정을 분석하는 감성/감정 분석에 대한 연구가 활발히 진행되고 있다. 이러한 연구에서는 입력 특징에 대해서 중요한 특징을 생성하고, 머신러닝 알고리즘을 이용하여 분류기를 설계한다. 특징생성 방법은 전체 특징 셋에서 분류기에 사용될 부분집합 특징을 만드는 과정이다. 이러한 방법에는 특징선택과 특징추출 단계로 이루어져 있으며, 특징선택 방법은 통계적 특성 등을 이용하여 특징을 택하는 filter 방법과 반복적 방법을 통해 가장 성능이 좋은 특징을 택하는 wrapper 방법이 있다. 특징추출 방법은 주로 차원축소 방법이 사용되며, 대표적인 차원축소 방법에는 주성분 분석이 있다. 머신러닝 혹은 기계학습은 기계가 데이터를 훈련함으로써, 규칙성을 찾고, 이를 이용하여 분류기를 설계한다. 대표적인 알고리즘으로는 인공신경망, 가우시안 나이브 베이즈 분류기, 서포트 벡터 머신 등이 있다. 본 논문에서는 효과적인 감성분석을 위한 특징생성 및 분류기 설계 알고리즘을 제안한다. 특징생성 알고리즘에서는 분산 값이 적은 특징을 제거하여 1차적으로 특징을 선택한다. 선택된 특징들을 상관계수를 이용하여 그룹화하고, 각각의 그룹에 대해서 주성분 분석을 이용하여 선택된 특징의 개수를 효과적으로 줄일 수 있었다. 마지막으로 주성분 분석을 적용하기 전과 후의 특징 개수의 비율을 이용하여 최적의 분산 threshold 값을 구하여 최종적인 특징생성 알고리즘을 제안하였다. 분류기 설계를 위해서 오차타원을 이용하여 분별함수를 수식화 하였다. Bimodal coefficient 값을 이용하여 데이터의 분포를 판별하고, multimodal 분포를 따르는 경우 독립적인 분류기를 설계하였다. 또한 오차타원의 장/단축과 중심점을 구하기 위해 통계적 파라미터인 skewness와 kurtosis 값을 이용하였다. 이러한 오차타원(분별함수)을 이용하여 최종적으로 6가지 감정(anger, bored, excited, happy, neutral, sad)으로 분류하였다. 데이터의 신뢰도와 객관적인 비교 평가를 고려하여, 본 논문에서는 기존에 감정분석 연구에서 자주 사용되는 Affective Norms for English Words, International Affective Digitized Sounds, International Affective Picture Systems 및 Dataset for Emotion Analysis using Physiological를 이용하였다. 특징생성 알고리즘의 성능 평가를 위해 전체 특징을 사용하는 경우와 알고리즘을 통해 생성된 특징을 이용한 분류기의 정확도와 연산량을 비교하였다. 정확도를 구하기 위해서 k-fold 교차검증 방식과 혼동행렬(confusion matrix)을 이용하였으며, 연산량을 비교하기 위해서는 기존의 연구와 동일하게 곱하기 연산자의 개수를 이용하였다. 성능 평가 결과, 제안하는 특징생성 알고리즘을 이용하여 전체 특징 셋을 이용하여 분류기를 설계하는 경우 대비 최대 32.33%의 연산량 감소와 1.7%의 정확도 상승을 확인하였다. 분류기 설계알고리즘의 성능 평가를 위해서는 동일한 데이터셋을 이용한 기존의 연구와 정확도를 비교하였으며 비교 결과, 제안하는 알고리즘을 통해 기존의 감성분류기 대비 최소 2.29%에서 24.79% 높은 분류기를 설계할 수 있었다.
In recent years, there has been an increasing interest in sentiment analysis using image, audio, text and bio-signals. In this area, researchers generated critical features and design classifier using machine learning algorithms. Feature generation is find subset of features which will be used ...
In recent years, there has been an increasing interest in sentiment analysis using image, audio, text and bio-signals. In this area, researchers generated critical features and design classifier using machine learning algorithms. Feature generation is find subset of features which will be used classifier among whole feature set. It is consist of feature selection and extraction method. Filter method(selection by various statistical process) and wrapper method(selection by searching all of subset) is in feature selection. Feature extraction is mainly use dimensional reduction algorithms and typical reduction method is principal component analysis. Machine learning find regularities and design classifier by training data itself. There are many machine learning algorithms such as artificial neural network, gaussian naive bayes classifier, support vector machine to design classifier. In this paper, we suggest feature generation algorithms and classifier design method for effective sentiment analysis. For feature generation method, at first, we eliminate low-variance features. Next, we group these features by correlation and reduce the number of feature by applying principal component analysis algorithms to each group. Finally, we find optimum variance threshold value using the ratio of the number of reduction. We find discriminant function using error ellipse. We determine data distribution using bimodal coefficient and we design independent classifier if the distribution is bimodal. To find major/minor length and center of error ellipse, we utilize the skewness and kurtosis of dataset. Using the error ellipse(discriminant function), we classify six emotions(anger, bored, excited, happy, neutral and sad). For objective evaluation, we use Affective Norms for English Words, International Affective Digitized Sounds, International Affective Picture Systems and Dataset for Emotion Analysis using Physiological which are widely used in emotion recognition. To evaluate our feature generation algorithm, we compare classifier’s accuracy and computational complexity which was used whole feature set and generated features. We use k-fold cross validation and confusion matrix to obtain accuracy. We also calculate the number of multiplication operators for comparing computational complexity(It is same as existing study). According to results, we could reduce 32.33% computational complexity and improve 1.7% accuracy with our feature generation method(up to). To evaluate our classifier design method, we compare existing studies which used same affective database. Performance evaluation indicates that the average accuracy of our sentiment classifier is 2.29% − 24.79% higher than existing studies.
In recent years, there has been an increasing interest in sentiment analysis using image, audio, text and bio-signals. In this area, researchers generated critical features and design classifier using machine learning algorithms. Feature generation is find subset of features which will be used classifier among whole feature set. It is consist of feature selection and extraction method. Filter method(selection by various statistical process) and wrapper method(selection by searching all of subset) is in feature selection. Feature extraction is mainly use dimensional reduction algorithms and typical reduction method is principal component analysis. Machine learning find regularities and design classifier by training data itself. There are many machine learning algorithms such as artificial neural network, gaussian naive bayes classifier, support vector machine to design classifier. In this paper, we suggest feature generation algorithms and classifier design method for effective sentiment analysis. For feature generation method, at first, we eliminate low-variance features. Next, we group these features by correlation and reduce the number of feature by applying principal component analysis algorithms to each group. Finally, we find optimum variance threshold value using the ratio of the number of reduction. We find discriminant function using error ellipse. We determine data distribution using bimodal coefficient and we design independent classifier if the distribution is bimodal. To find major/minor length and center of error ellipse, we utilize the skewness and kurtosis of dataset. Using the error ellipse(discriminant function), we classify six emotions(anger, bored, excited, happy, neutral and sad). For objective evaluation, we use Affective Norms for English Words, International Affective Digitized Sounds, International Affective Picture Systems and Dataset for Emotion Analysis using Physiological which are widely used in emotion recognition. To evaluate our feature generation algorithm, we compare classifier’s accuracy and computational complexity which was used whole feature set and generated features. We use k-fold cross validation and confusion matrix to obtain accuracy. We also calculate the number of multiplication operators for comparing computational complexity(It is same as existing study). According to results, we could reduce 32.33% computational complexity and improve 1.7% accuracy with our feature generation method(up to). To evaluate our classifier design method, we compare existing studies which used same affective database. Performance evaluation indicates that the average accuracy of our sentiment classifier is 2.29% − 24.79% higher than existing studies.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.