Análisis de sentimientos en la predicción de resultados de elecciones presidenciales

Autores/as

  • Vieri E. Garcia-Moreno Universidad Nacional Mayor de San Marcos, Facultad de Ingeniería de Sistemas e Informática. Lima, Perú
  • Cristhian R. Alvarez-Caicedo Universidad Nacional Mayor de San Marcos, Facultad de Ingeniería de Sistemas e Informática. Lima, Perú
  • Nataly G. Vásquez-Saenz Universidad Nacional Mayor de San Marcos, Facultad de Ingeniería de Sistemas e Informática. Lima, Perú

DOI:

https://doi.org/10.15381/risi.v14i1.21866

Palabras clave:

Red Neuronal LSTM, Análisis de Sentimientos, Red Neuronal Recurrente, Tensor Flow, Elecciones Presidenciales

Resumen

El presente trabajo tiene por finalidad diseñar un modelo basado en las redes neuronales LSTM y aplicarlo en un caso análisis de sentimientos que pretende predecir los resultados electorales del proceso electoral de los Estados Unidos del año 2016 basándose en el procesamiento de un número significativo de tweets que fueron obtenidos de un Dataset público proporcionado por la plataforma Kaggle. Previamente al diseño, se revisan los antecedentes del problema, métodos existentes y los fundamentos en los que se basa la red LSTM, posteriormente se describe la metodología del proceso de análisis de sentimientos que es aplicado para desarrollar el estudio mencionando detalles en la recolección de datos, el preprocesamiento, la elección del clasificador de polaridad, entre otras etapas para finalmente dar lugar a la implementación, entrenamiento y validación de la red neuronal usando las librerías Tensor Flow y Keras, adicionalmente AxClient para ajustar correctamente los hiperparámetros de la misma en cuya mejor iteración obtuvo una precisión binaria de 98.02% luego de ser entrenada durante 2 épocas utilizando 700000 ejemplos.

Descargas

Los datos de descarga aún no están disponibles.

Descargas

Publicado

2021-12-28

Número

Sección

Artículos

Cómo citar

[1]
“Análisis de sentimientos en la predicción de resultados de elecciones presidenciales”, Rev.Investig.sist.inform., vol. 14, no. 1, pp. 69–81, Dec. 2021, doi: 10.15381/risi.v14i1.21866.