Korpus amzn_pros_corp byl vyčištěn pomocí vlastních funkcí jako dříve.

Sestav TDM s názvem amzn_p_tdm z amzn_pros_corp s argumentem control = list(tokenize = tokenizer).
Vytvoř amzn_p_m převodem amzn_p_tdm na matici.
Vytvoř amzn_p_freq aplikováním funkce rowSums() na amzn_p_m.
Vytvoř term_frequency pomocí sort() na amzn_p_freq s argumentem decreasing = TRUE.
Prohlédni si prvních 5 bigramů pomocí term_frequency[1:5].
Možná tě překvapí, že „fast paced" patří mezi nejčastější termíny – může totiž být negativně spojený s „dlouhými hodinami". Podívej se, které výrazy jsou s „fast paced" nejúžeji spojené. Použij findAssocs() na amzn_p_tdm pro výraz "fast paced" s prahem 0.2.

Kroky 4 a 5: Extrakce příznaků a analýza