直播擷取盒的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

直播擷取盒進入發燒排行的影片

運用模糊支持向量機於情緒分析：以股價預測與直播分析為例

為了解決直播擷取盒的問題，作者歐仁彬 這樣論述：

支持向量機(Support Vector Machine; SVM) 是一種優異的機器學習技術，它以Vapnik的統計學習理論為基礎。當建構的模式充滿了不確定及複雜的現象，模糊模式是必須被考慮的，若以Zadeh所提出的模糊系統來表示，模糊決策在概念上是更接近於人類的決策方法。基本上，模糊理論提供了有效的方法擷取『近似於』、『不精確』等現實世界中的獨特特性。在論文中，使用結合模糊理論與支持向量機的概念，嘗試去同時保留支持向量機的優點—即以統計學習理論保證的優良推理能力，與模糊理論的優點—即概念上更接近人類思考，以及能更有效的表達複雜與不確定的系統。並且提出了下面二種應用:應用1: 能夠成功預測

股票漲跌趨勢明顯地有許多好處，根據效率市場假設，公司股票的價值是由當前所有可用的信息給定。在大數據時代，線上新聞文章的數量持續增長，在如此巨量的文字資料面前，越來越多的機構依靠現代計算機的高速處理能力來進行文字探勘與機器學習，以建構更準確的股價趨勢預測模型。本論文中，從新聞文章中萃取出隱含的主題模型與情緒資訊，此外，並開發一個模糊支持向量機來融合線上新聞文章內含的豐富資訊，以預測股價的漲跌趨勢。本研究在食品類股的預測正確率最高為87%，半導體類股的正確率最高為71%，電腦周邊類股的預測正確率最高為69%，相較於傳統支持向量機透過關鍵字來預測股價漲跌趨勢的正確率僅五成多(接近於隨機猜測)，本研究

所提出的方法明顯優於傳統的支持向量機預測模型。應用2: 「網路直播平台 (Live streaming video)」是近年不可被忽視的新興社群媒體平台。相較於一般影音平台乃是透過事先拍攝後進行上傳至網路分享，直播多了「即時性」與「互動性」兩種特性，在直播過程中，實況主能依據觀眾在聊天室的反應，立即做出回應，創造出更多的差異化內容，但觀眾踴躍的發言時，實況主就有可能遺漏觀眾的訊息。因此本研究之目的是希望透過情緒探勘技術，探勘聊天室的內容後，以較為簡單方式呈現觀眾想表達的意見，希望有助於實況主能以較輕鬆的方式得知觀眾反應，並可做為內容調整之參酌。本研究提出之情緒探勘系統主要分為三大步驟，首先透過

「網路聊天室爬蟲」建立Socket連線至Twitch-IRC(Server)，即時自動擷取聊天室內容，並將取得的留言內容進行「網路用語正規化」的步驟後，再透過模糊支持向量機進行情緒「正面」以及「負面」分類，透過模糊理論可以更精確的計算正面(負面)情緒的歸屬程度。最後以「文字雲」、「情緒波動圖」、「情緒雷達圖」、「情緒直方圖」、「情緒盒鬚圖」各式圖表進行結果呈現，以利決策者快速判讀與做出最佳決策。