【基于机器学习的餐馆评论文本分类分析】( 八 ) _餐馆

4.3 模型检验
经过上文对模型的训练，我们最终选择了表现效果更好的逻辑回归模型，为了验证和评估训练好的分类模型在真实场景下的表现，通过用户输入新的评论，我们可以将模型应用于没有包含在训练集和测试集中的数据，这样可以更全面地评估模型的泛化能力和真实世界中的应用效果。
输入新评论，对新评论作同前文一致的文本预处理，进行特征提取和处理，使用训练好的分类模型进行预测，得到分类结果如下。
新评论分类结果
我在上海尝试了一家新开的法式餐馆，感觉非常惊艳！从前菜到主菜再到甜品，每一道菜都很讲究，味道和口感都非常出色，让我直呼过瘾。服务也非常周到，服务员们知道如何处理每一个细节，让整个用餐过程非常愉快。虽然价格有点贵，但绝对值得一尝
好评
这家餐厅真是太失望了！除了位置好以外，其他都非常不行。我们点了几道菜，但味道都太油腻了，而且肉的质量也很差。虽然服务员很友好，但是等待时间太长了，甚至比正常情况下还要糟糕。餐厅的氛围也不好，很吵，感觉不适合用餐。总之，这是一次糟糕的体验，不会再来了
差评
从新评论在逻辑回归模型上训练的分类结果看，逻辑回归模型的预测结果准确，具有良好的拟合效果。
5 总结
本次研究所使用的数据量较大，但在处理缺失值时，采取了删除空值的措施，这导致了数据量的大量损失，是本研究的不足之一。为此，可以采用决策树预测等方法对评分的缺失值进行填充，以提高数据的覆盖面和模型的拟合效果。
在计算综合评分时，权值是自定义的，可以采用网格搜索来确定权值，以实际分类模型的分类效果来确定最优权值。
为了筛选水军数据，我们采用了方法来计算相似度。未来，我们可以探索其他更有效的筛选方法，以提高数据的可靠性和准确性。
在本次研究中，因为安装问题所以没有使用服务器，在未来的研究中，我们可以考虑使用来进行数据索引和检索。这样可以更快速和准确地查询数据，并提高数据的处理效率和精度。同时，还能够提供强大的搜索和分析能力，帮助我们更好地理解数据，发现数据中的规律和趋势，为研究提供更深入的支持和指导。
6 参考文献
[1] 张东红,马一凡,刘丹.基于文本分类方法的新闻主题识别系统[J].信息技术与信息
化, 2021(10):163-165.
[2] Shen F, Luo X, Chen Y. Textforweb page based on deep[C],on. IET, 2013:451-456.
[3] 张紫琼. 在线中文评论情感分类问题研究[D].哈尔滨工业大学,2010.
[4] 丁照银. 基于机器学习的评论文本分析[D].安徽师范大学,2019.
[5] 王浩然. 基于机器学习的微博网约车话题评论文本分析[D].南开大学,2021.
【【基于机器学习的餐馆评论文本分类分析】】[6]郑明明. 基于机器学习的冰雪旅游评论文本分析[D].燕山大学,2022.