Rによるテキストマイニング ―tidytextを活用したデータ分析と可視化の基礎

6.2

 例：図書館荒らし

■

113

## 6 6 economic 5

## 7 6 general 5

## 8 6 i 5

## 9 6 panamanian 5

## 10 6 american 4

## # ... with 277 more rows

頻出語から考えると、この記事はアメリカ政府とパナマの独裁者だったノリエガ

将軍との関係について書かれたもののようです。だとすれば、アルゴリズムがこれ

をトピック

2

（政治

/

国内ニュース）と分類したのは正しかったということです。

6.2

 例：図書館荒らし

統計的手法を検証するときには、「正解」がわかっている非常に単純な問題を試し

てみると役に立つことがあります。たとえば、

4

つの別々のトピックを扱っている

ことが明らかな文書を集めてきてトピックモデリングを実行し、アルゴリズムが正

しく

4

つのグループを区別できるかどうかをチェックするというようなことです。

こうすれば、この方法が役に立つことをダブルチェックするとともに、どのような

ときにどのようにして間違えるのかについての感触が得られます。古典文学のデー

タでこれを試してみましょう。

賊が書斎に入り込み、蔵書のうち、次の

4

冊を引き裂いてしまったとします。

●

チャールズ・ディケンズの『大いなる遺産』（

Great Expectations

）

●

H

・

G

・ウェルズの『宇宙戦争』（

The War of the Worlds

）

●

ジュール・ベルヌの『海底二万里』（

Twenty Thousand Leagues Under ...