Makine öğreniminin en önemli bileşenlerinden bir tanesi sınıflandırmadır. Duygu analizi, sınıflamanın alt alanlarından biridir. Duygu analizi insanların duygularıyla ilgili düşüncelerini araştıran ve sınıflandıran yöntemlerle çalışır ve konuya ve hatta diğer metinlere yönelik altta yatan izlenimleri çıkarır. Bu çalışmada, metinleri olumlu ya da olumsuz olarak analiz edebilen ikili duygu sınıflandırması için bir sinir ağı modeli geliştirmeye çalıştık. Pek çok makale olasılıksal sınıflandırıcıların ve doğrusal sınıflandırıcı (SVM) yöntemlerinin Yapay Sinir Ağı yöntemlerinden daha doğru olduğu sonucuna varmışlardır. Bu çalışmada, Sinir Ağ yöntemleri alanında gelişme için daha fazla alan olduğunu kanıtladık. Sonuçlarımızı dört denetimli öğrenme yöntemi ile karşılaştırdık: Naïve-Bayes, Maksimum Entropi, Destek Vektör Makinesi ve Stokastik Gradyan Descent. Bahsi geçen bu yöntemler ile karşılaştırıldığı durumda daha iyi sonuçlar elde ettik. RNN (Tekrarlayan Nöral Ağ) ile Glove (Kelime Temsili Global Vektörler) kullanarak% 91.04 doğruluk elde ettik.
One of the major components of machine learning is classification. Sentiment analysis is one of the sub-fields of classification. It works on the methods that study and classify the opinions of people regarding their feelings and it extracts any underlying impressions toward subjects or even other texts. In this study, we worked on developing a neural network model for binary sentiment classification which can analyze data as being either positive or negative. Many papers conclude that probabilistic classifiers and linear classifier (SVM) methods are more accurate than Neural Network methods. In this study, we proved (demonstrated) that there is more space for development in the Neural Network methods field. We compared our results with four supervised methods: Naïve Bayes, Maximum Entropy, Support Vector Machine, and Stochastic Gradient Descent. We achieved better results than the results of the mentioned methods by using RNN (Recurrent Neural Network) with GLOVE (Global Vectors for Word Representation) and achieved a result of 91.04% accuracy.
