Un LSTM devance Random Forest et Naive Bayes dans l'analyse de sentiment de tweets, avec un ROC-AUC de 0,92

Une nouvelle étude publiée sur arXiv en juillet 2026 a mesuré l'avance d'un réseau de neurones LSTM sur cinq algorithmes classiques d'apprentissage automatique pour l'analyse de sentiment de publications Twitter. Le réseau récurrent l'emporte sur toutes les métriques clés, avec 80 % de précision sur l'échantillon de test et un ROC-AUC de 0,92.

Ce qui a été comparé, et comment

Les auteurs ont pris un jeu de données de tweets sur Kaggle et appliqué un prétraitement TAL standard : tokenisation (découpage du texte en mots), lemmatisation (réduction des mots à leur forme de base) et suppression des mots vides. Six algorithmes ont ensuite été entraînés à classer les tweets en trois catégories : positifs, négatifs et neutres.

Les modèles testés :

• Régression logistique
• Forêt aléatoire (Random Forest)
• Classifieur bayésien naïf (Naive Bayes)
• Gradient Boosting
• LSTM (Long Short-Term Memory), un réseau de neurones récurrent qui tient compte de l'ordre des mots

Quelles performances pour le LSTM ?

Le LSTM s'est révélé la meilleure de toutes les approches testées :

• Précision sur l'échantillon d'entraînement : 90,98 %
• Précision sur l'échantillon de test : 80,00 %
• ROC-AUC micro-average : 0,92

Un ROC-AUC de 0,92 signifie que le modèle sépare correctement les contenus positifs et négatifs dans environ 92 % des cas. C'est un bon résultat pour des données « bruitées » issues des réseaux sociaux, saturées d'argot et d'ironie. L'écart entre 90,98 % (entraînement) et 80 % (test) trahit un surapprentissage modéré, typique des réseaux de neurones sans régularisation supplémentaire.

«

Les résultats montrent que le LSTM surpasse les méthodes d'apprentissage automatique conventionnelles pour saisir les aspects contextuels et séquentiels du texte », soulignent les auteurs.

Les algorithmes classiques s'entraînent plus vite et sont plus faciles à interpréter, mais ils traitent le texte comme un ensemble de mots indépendants, sans tenir compte de l'ordre ni du contexte. Le LSTM, lui, « se souvient » des mots précédents quand il traite chaque nouveau mot. C'est pourquoi il comprend que « pas mal » n'est pas « mal », et que « je n'ai pas du tout aimé » exprime un sentiment fortement négatif.

Pourquoi c'est important pour l'analyse des réseaux sociaux

Twitter (aujourd'hui X) génère des centaines de millions de publications chaque jour. L'analyse automatique de sentiment permet aux marques de suivre en temps réel la réaction du public à un produit, et aux chercheurs d'étudier l'évolution de l'opinion publique sans parcourir manuellement des millions de messages.

Les systèmes commerciaux actuels s'appuient sur des modèles transformers, comme BERT et RoBERTa, qui surpassent nettement le LSTM mais exigent d'importantes ressources de calcul. Le LSTM reste un choix pragmatique pour les équipes au budget limité : il est plus léger, plus rapide en inférence et suffisamment performant sans cluster de GPU puissant.

Ce que cela signifie

Ce travail confirme une tendance solide en TAL : pour les textes où l'ordre des mots et le contexte comptent, l'apprentissage profond l'emporte durablement sur le ML classique. L'expérience est facile à reproduire : un jeu de données ouvert sur Kaggle et des bibliothèques standard (TensorFlow, PyTorch) permettent de monter un pipeline similaire en quelques heures.

Questions fréquentes

En quoi le LSTM diffère-t-il de BERT pour l'analyse de sentiment ?

Le LSTM traite le texte de manière séquentielle, mot après mot, en conservant le contexte précédent en mémoire. BERT est un modèle transformer qui analyse tout le texte d'un coup, dans les deux sens, et qui est préentraîné sur d'immenses corpus. Sur la plupart des benchmarks actuels, BERT devance le LSTM de 5 à 15 points de pourcentage, mais il demande nettement plus de ressources de calcul.

Qu'est-ce que le ROC-AUC, et pourquoi 0,92 est-il un bon résultat ?

Le ROC-AUC indique la capacité d'un modèle à séparer les classes : 0,5 correspond à un tirage au hasard, 1,0 à une classification parfaite. Une valeur de 0,92 est jugée élevée pour l'analyse de sentiment sur les réseaux sociaux, où les données sont bruitées par l'argot, les fautes de frappe et le sarcasme.