为何VADER与TextBlob情感极性取平均后准确率更高？

核心依据来自集成学习领域的异质基模型融合原理，具体逻辑如下：

• 首先你用到的两个情感分析工具的适用场景和错误分布存在显著差异：
  • VADER是专门为社交媒体短文本优化的词典类模型，对表情、网络俚语、大小写/标点强调的敏感度更高，但通用词汇的情感歧义处理能力偏弱
  • TextBlob的情感得分基于通用书面语训练的规则体系，对正式表达的情感判定更稳定，但适配社交媒体短文本的效果较差
• 两个模型的独立错误率虽然都很高，但错误重合度极低：大部分VADER判断错误的样本刚好是TextBlob判断正确的，反之亦然。当两个取值范围对齐（两者的情感得分都是[-1,1]区间）的低错误相关性基模型做简单平均时，刚好可以互补各自的判断盲区，大幅降低整体的误差率，这也是集成学习中bagging策略的底层逻辑。

你可以通过以下方式进一步排除巧合可能性 #

将12万标注样本按7:3比例随机拆分为训练集和测试集，仅用训练集确定「两者得分取平均」的规则，再在完全未见过的测试集上跑验证，如果测试集的匹配率仍然稳定在65%~75%区间，就可以100%确认不是巧合。

内容的提问来源于stack exchange，提问作者July Jones