Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.13087/1908
Title: Comparative Performance Analysis of Techniques for Automatic Drug Review Classification
Authors: Uysal, Alper Kürşat
Keywords: Biyoloji Çeşitliliğinin Korunması
Biyoloji
Kimya, Analitik
Kimya, Uygulamalı
Kimya, İnorganik ve Nükleer
Kimya, Tıbbi
Kimya, Organik
Fizikokimya
Ekoloji
Çevre Bilimleri
Deniz ve Tatlı Su Biyolojisi
Matematik
Mineraloji
Mantar Bilimi
Optik
Fizik, Uygulamalı
Fizik, Atomik ve Moleküler Kimya
Fizik, Katı Hal
Fizik, Akışkanlar ve Plazma
Fizik, Matematik
Fizik, Nükleer
Fizik, Partiküller ve Alanlar
Spektroskopi
İstatistik ve Olasılık
Termodinamik
Taşınım
Su Kaynakları
Mimarlık
Hücre ve Doku Mühendisliği
Bilgisayar Bilimleri, Yapay Zeka
Bilgisayar Bilimleri, Sibernitik
Bilgisayar Bilimleri, Donanım ve Mimari
Bilgisayar Bilimleri, Bilgi Sistemleri
Bilgisayar Bilimleri, Yazılım Mühendisliği
Bilgisayar Bilimleri, Teori ve Metotlar
İnşaat ve Yapı Teknolojisi
Savunma Bilimleri
Enerji ve Yakıtlar
Mühendislik, Kimya
İnşaat Mühendisliği
Mühendislik, Elektrik ve Elektronik
Çevre Mühendisliği
Endüstri Mühendisliği
İmalat Mühendisliği
Mühendislik, Deniz
Mühendislik, Makine
Mühendislik, Petrol
Gıda Bilimi ve Teknolojisi
Yeşil, Sürdürülebilir Bilim ve Teknoloji
Görüntüleme Bilimi ve Fotoğraf Teknolojisi
Malzeme Bilimleri, Biyomalzemeler
Malzeme Bilimleri, Seramik
Malzeme Bilimleri, Özellik ve Test
Malzeme Bilimleri, Kaplamalar ve Filmler
Malzeme Bilimleri, Kompozitler
Malzeme Bilimleri, Kâğıt ve Ahşap
Malzeme Bilimleri, Tekstil
Metalürji Mühendisliği
Maden İşletme ve Cevher Hazırlama
Nanobilim ve Nanoteknoloji
Nükleer Bilim ve Teknolojisi
Polimer Bilimi
Robotik
Telekomünikasyon
Taşınım Bilimi ve Teknolojisi
Issue Date: 2018
Abstract: This study analyses the effectiveness of six text feature selection methods for automatic classification of drug reviews written in English using two different widely-known classifiers namely Support Vector Machines (SVM) and naïve Bayes (NB). In the study, a recently published public dataset namely Druglib including drug reviews in English was utilized in the experiments. For evaluation, Micro-F1 and Macro-F1 success measures were used. Also, 3-fold cross-validation is preferred to perform a fair evaluation. The feature selection methods used in the study are Distinguishing Feature Selector (DFS), Information Gain (IG), chi- square (CHI2), Discriminative Features Selection (DFSS), Improved Comprehensive Measurement Feature Selection (ICMFS), and Relative Discrimination Criterion (RDC). However, experiments were performed using two settings in which stemming was applied and not applied. Experiments indicated that ICMFS feature selection method is generally superior to the other feature selection methods according to the overall highest Micro-F1 and Macro-F1 scores achieved on drug reviews. While the highest Micro-F1 score was achieved with the combination of NB classifier and ICMFS feature selection method, the highest Macro-F1 score was achieved with the combination of NB classifier and DFSS feature selection method. The highest Micro-F1 and Macro-F1 scores were achieved for the cases that stemming algorithm was not applied.
URI: https://doi.org/10.18466/cbayarfbe.481096
https://hdl.handle.net/20.500.13087/1908
https://search.trdizin.gov.tr/yayin/detay/319415
ISSN: 1305-130X
1305-1385
Appears in Collections:Biyoloji Bölümü Koleksiyonu
TR-Dizin İndeksli Yayınlar Koleksiyonu

Show full item record

CORE Recommender

Page view(s)

14
checked on Oct 3, 2022

Google ScholarTM

Check

Altmetric


Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.