Régression textuelle — Prédire des nombres à partir de texte
La régression textuelle prédit une variable cible continue en utilisant des caractéristiques extraites du texte — scores TF-IDF, plongements lexicaux (embeddings) ou n-grammes — comme variables indépendantes. S'appuyant sur le programme « le texte comme donnée » (text-as-data) consolidé par Gentzkow, Kelly et Taddy (2019), elle permet d'estimer directement à partir de documents un résultat numérique tel qu'un prix, une évaluation ou un score de sentiment, et est largement utilisée dans les applications en sciences sociales, en économie et en finance.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Gentzkow, M., Kelly, B. & Taddy, M. (2019). Text as Data. Journal of Economic Literature, 57(3), 535-574. DOI: 10.1257/jel.20181020 ↗
- Taddy, M. (2013). Measuring Political Sentiment on Twitter: Factor Optimal Design for Multinomial Inverse Regression. Technometrics, 55(4), 415-425. DOI: 10.1080/00401706.2013.778791 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Text-Based Regression. ScholarGate. https://scholargate.app/fr/text-mining/text-regression
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Embeddings BERTFouille de textes↔ compare
- Analyse des sentimentsFouille de textes↔ compare
- Classification de texteFouille de textes↔ compare
- TF-IDFFouille de textes↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →