使用分类和聚类算法的情感分析：哪个更好？
Sentiment Analysis using classification and clustering algorithms: Which is better?
我正在尝试使用 Python 对歌曲歌词进行情感分析。
在研究了很多简单的 classification 问题后，有了已知的标签（例如 Email classification Spam/Not Spam），我认为歌词情感分析在于分类领域。
在实际编码时，我发现我必须计算每首歌歌词的情绪，并且可能会在原始数据集中添加一列，将其标记为正面或负面，或者使用实际的情绪分数。
这不能使用聚类方法来完成吗？由于我们首先不知道每首歌曲的 class（积极情绪/消极情绪），算法将使用情绪分析对数据进行聚类。
您正在考虑没有监督的聚类，即无监督聚类，这可能会导致准确度较低的结果，因为您实际上不知道将正负分开的分数阈值是多少 classes.So 首先尝试找到阈值将成为您的参数，它将您的 classes.Use 监督学习分开以找到阈值
聚类通常不会产生情绪。
它更有可能产生例如一组说唱和一组非说唱。或者一个是偶数长度的歌词，一个是奇数长度的歌词。
数据比情绪更重要。那么为什么聚类会产生情感聚类？
如果您想要特定的标签（积极情绪、消极情绪），那么您需要提供训练数据并使用监督方法。
我正在尝试使用 Python 对歌曲歌词进行情感分析。 在研究了很多简单的 classification 问题后，有了已知的标签（例如 Email classification Spam/Not Spam），我认为歌词情感分析在于分类领域。 在实际编码时，我发现我必须计算每首歌歌词的情绪，并且可能会在原始数据集中添加一列，将其标记为正面或负面，或者使用实际的情绪分数。
这不能使用聚类方法来完成吗？由于我们首先不知道每首歌曲的 class（积极情绪/消极情绪），算法将使用情绪分析对数据进行聚类。
您正在考虑没有监督的聚类，即无监督聚类，这可能会导致准确度较低的结果，因为您实际上不知道将正负分开的分数阈值是多少 classes.So 首先尝试找到阈值将成为您的参数，它将您的 classes.Use 监督学习分开以找到阈值
聚类通常不会产生情绪。
它更有可能产生例如一组说唱和一组非说唱。或者一个是偶数长度的歌词，一个是奇数长度的歌词。
数据比情绪更重要。那么为什么聚类会产生情感聚类？
如果您想要特定的标签（积极情绪、消极情绪），那么您需要提供训练数据并使用监督方法。