Towards a polynomial approximation of support vector machine accuracy applied to Arabic tweet sentiment analysis

Abstract

Алгоритми машинного навчання стали дуже часто використовуватися в обробці природної мови, зокрема в аналізі тональності, який допомагає визначити загальне відчуття, яке міститься в тексті. Серед цих алгоритмів метод опорних векторів (SVM) є потужними класифікаторами, особливо в такому завданні, коли їхня продуктивність оцінюється через показник точності та показник f1. Однак вони залишаються повільними з точки зору навчання, що робить вичерпні експерименти з пошуку по сітці дуже трудомісткими. У цій статті представлено спостережувану закономірність точності SVM і показник f1, апроксимований поліномом Лагранжа.

Machine learning algorithms have become very frequently used in natural language processing, notably sentiment analysis, which helps determine the general feeling carried within a text. Among these algorithms, Support Vector Machines have proven powerful classifiers especially in such a task, when their performance is assessed through accuracy score and f1-score. However, they remain slow in terms of training, thus making exhaustive grid-search experimentations very time-consuming. In this paper, we present an observed pattern in SVM's accuracy, and f1-score approximated with a Lagrange polynomial.