Aplicação de máquinas de suporte vetorial na classificação textual

• Autor(a) principal: Bellini, Rafael
• Data de Publicação: 2020
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UCS
• Texto Completo: https://repositorio.ucs.br/11338/9693
• topic: Computação; Máquinas de suporte vetorial; Mineração de dados (Computação); Sistemas de reconhecimento de padrões

A área de classificação de dados textuais envolve a coleta, o processamento, a análise e a construção de modelos para classificar textos. Ela se vale de algoritmos de machine learning. Dentre eles, destaca-se o algoritmo de Máquinas de Suporte Vetorial (SVM, do inglês, Support Vector Machines), amplamente utilizado com conjuntos de dados textuais. O objetivo deste trabalho é aplicar o SVM na construção de um modelo de classificação textual, usando como exemplo textos da área da saúde. As amostras textuais utilizadas neste trabalho foram coletadas por uma equipe de médicos especialistas da Universidade de Caxias do Sul e encontram-se em linguagem natural, na língua portuguesa brasileira, tendo sido previamente rotuladas em termos de suas características, tais como: descrição do tratamento, benefícios do tratamento, consequências do tratamento, influência na qualidade de vida do paciente e riscos do tratamento. Os textos de cada uma dessas categorias foram previamente classificados como positivos, negativos e regulares, configurando um problema do tipo multiclasse. A fase de pré-processamento dos textos foi realizada utilizando a biblioteca chamada Natural Language Toolkit (NLTK), já para os testes do algoritmo SVM utilizou-se a biblioteca chamada Scikit-learn e para o balanceamento das classes foi utilizado o algoritmo Synthetic Minority Over-sampling Technique (SMOTE), da biblioteca imblearn. Também foi utilizada a ferramenta Anaconda para Windows, que possibilitou executar tanto a linguagem Python quanto aplicativo, como o Jupyter Notebook. Os resultados obtidos através dos testes revelaram respostas satisfatórias para demonstrar a possibilidade de classificação supervisionada para os dados textuais das diversas categorias mencionadas, tendo apresentado resultados superiores a 90.0% de acurácia. Um dos desafios encontrados foi o desbalanceamento das classes, que necessitou de estudo e uso de métodos apropriados a fim de que se pudesse obter resultados satisfatórios. [resumo fornecido pelo autor]