Analyse des sentiments des tweets de Covid-19 à l'aide d'un algorithme d'apprentissage automatique

Ahmed Rasidun Bari Dip, MD Shihab Sadik, Omi Evance Rozario (Autoren)

Buch | Softcover

56 Seiten

2025
Editions Notre Savoir (Verlag)
978-620-8-58009-4 (ISBN)

Titel nicht im Sortiment

Artikel merken

Français:Thème principal : Cet article démontre que, parmi un grand nombre de modèles de prédiction, le modèle Facebook Prophet avait la plus grande précision lorsqu'il s'agissait d'anticiper les circonstances de la pandémie.Analyse des résultats : Ils ont présenté les performances des modèles sur les ensembles de tests en utilisant les modèles de régression et de séries chronologiques, ainsi que l'analyse en utilisant Facebook Prophet. Ils peuvent calculer l'erreur quadratique moyenne (RMSE) pour chaque modèle en utilisant ces résultats. La comparaison des modèles en fonction de leurs scores RMSE est présentée dans le tableau I. Le tableau I indique que lors de la prévision des cas confirmés, le FPM a l'erreur moyenne la plus faible. La deuxième place revient au modèle ARIMA, qui est suivi des modèles AR et MA. Cependant, comme l'ARIMA intègre à la fois les modèles MA et AR, ils ne sont pas pris en compte.Le modèle HWA, qui vient après ces deux-là, a le score le plus bas, suivi du PR. Le tableau I montre que les résultats sont presque identiques aux résultats du tableau des cas confirmés, le FPM arrivant en tête, suivi de l'ARIMA, du HWA et du PR, dans cet ordre. Ils arrivent ainsi à la conclusion que les meilleurs modèles pour anticiper la situation pandémique sont les suivants : Facebook.

Je suis Ahmed Rasidun Bari Dip, je travaille actuellement comme ingénieur logiciel dans une société de logiciels.

Erscheinungsdatum	26.01.2025
Sprache	französisch
Maße	152 x 229 mm
Gewicht	86 g
Themenwelt	Mathematik / Informatik ► Mathematik ► Analysis
Schlagworte	Algorithmes d'apprentissage automatique • analyse des sentiments • Covid-19
ISBN-10	620-8-58009-9 / 6208580099
ISBN-13	978-620-8-58009-4 / 9786208580094
Zustand	Neuware