机构名称：
¥ 2.0
药品评论在为医疗专业人士和消费者提供关键的医疗保健信息方面发挥着非常重要的作用。客户正在利用在线评论网站发表意见并表达对所体验药物的看法。然而，潜在买家通常很难在做出购买决定之前浏览所有评论。另一个巨大的挑战是评论的非结构化和文本性质，这使得读者很难将评论分类为有意义的见解。出于这些原因，本文主要旨在通过使用 SAS® Enterprise Miner™ 中的文本分析和预测模型对处方药的副作用水平和有效性水平进行分类。此外，本文还通过 SAS® Visual Text Analytics 中的情绪分析和文本挖掘探讨了每种处方药的具体有效性和潜在副作用。研究结果表明，副作用水平分类的最佳模型是基于规则的模型，验证错误分类率为 27.1%。关于有效性水平分类，文本规则构建器模型也表现最佳，验证错误分类率为 22.4%。通过使用迁移学习算法评估性能和泛化，进一步验证了这些模型。研究结果可用于制定实用指南和有用的参考资料，以帮助潜在患者做出更明智的购买决定。
使用文本分析探索在线药物评论...
主要关键词
相关文件推荐
