Análisis Comparativo de Algoritmos de Aprendizaje Automático para el Análisis de Sentimientos en Reseñas de Películas

El análisis de sentimientos, un componente crucial del procesamiento del lenguaje natural (NLP), implica la clasificación de información subjetiva mediante la extracción de contenido emocional de datos textuales. Esta técnica juega un papel significativo en la industria cinematográfica al analizar las opiniones públicas sobre las películas. La presente investigación aborda una laguna en la literatura mediante un análisis comparativo de varios algoritmos de aprendizaje automático para el análisis de sentimientos en reseñas de películas, utilizando un conjunto de datos de Kaggle que comprende 50,000 reseñas. Se emplearon clasificadores como Regresión Logística, Naive Bayes Multinomial, Clasificación de Vectores de Soporte Lineales (LinearSVC) y Gradiente Acelerado para categorizar las reseñas en sentimientos positivos y negativos. Se hizo hincapié en especificar y comparar estos clasificadores en el contexto del análisis de sentimientos de reseñas de películas, destacando sus respectivas ventajas y desventajas. El conjunto de datos pasó por un exhaustivo procesamiento previo, que incluía la limpieza de datos y la aplicación de técnicas de stemming para mejorar la eficiencia del procesamiento. El rendimiento de los clasificadores se evaluó rigurosamente utilizando métricas como precisión, exactitud, recuperación y F1-score. Entre los clasificadores, LinearSVC demostró la mayor precisión con un 90.98%. Esta evaluación integral no solo identificó el clasificador más efectivo sino que también elucidó las eficiencias contextuales de varios algoritmos. Los hallazgos indican que LinearSVC sobresale en la clasificación precisa de sentimientos en reseñas de películas, ofreciendo así nuevos conocimientos sobre las opiniones públicas acerca de las películas. Además, la comparación extendida proporciona una guía paso a paso para seleccionar el clasificador más adecuado en función de las características del conjunto de datos y el contexto, contribuyendo con un valioso conocimiento a la literatura existente sobre el impacto de diferentes enfoques de aprendizaje automático en los resultados del análisis de sentimientos en la industria cinematográfica.