Modelos de aprendizaje automático en análisis de sentimiento: comparativa de rendimiento ; Machine learning models in sentiment analysis: performance comparison ; Models d'aprenentatge automàtic en l'anàlisi de sentiments: comparació de rendiment

[ES] El estudio se embarca en una misión para explorar el mundo del análisis de sentimientos en el contexto de Twitter, una destacada plataforma de redes sociales que sirve como termómetro global de la opinión pública. Reconociendo los desafíos en el análisis de los vastos y complejos datos de los tweets, la investigación evalúa varios modelos de aprendizaje automático, incluyendo redes neuronales, árboles de decisión y clasificadores bayesianos, utilizando el conjunto de datos “sentiment140” de la Universidad de Stanford. El propósito central es evaluar el rendimiento relativo de estos modelos en la detección y clasificación de sentimientos en los tweets, proporcionando una perspectiva clara y objetiva. El trabajo también tiene como objetivo ofrecer una orientación valiosa para futuras investigaciones y aplicaciones prácticas en el análisis de sentimientos. El documento está estructurado en secciones que incluyen Introducción, Estado del Arte, Análisis del Problema, Diseño, Desarrollo, Implementación, Pruebas, Resultados y Discusión, ofreciendo una visión completa de las metodologías, experimentos y hallazgos. ; [EN] The study embarks on a mission to explore the world of sentiment analysis within the context of Twitter, a prominent social media platform that serves as a global thermometer of public opinion. Recognizing the challenges in analyzing the vast and complex data of tweets, the research evaluates various machine learning models, including neural networks, decision trees, and Bayesian classifiers, using the “sentiment140” dataset from Stanford University. The central purpose is to assess the relative performance of these models in detecting and classifying sentiments in tweets, providing a clear and objective perspective. The work also aims to offer valuable guidance for future research and practical applications in sentiment analysis. The document is structured into sections including Introduction, State of the Art, Problem Analysis, Design, Development, Implementation, Testing, Results, and ...