A Comparative Analysis of the Application of the Random Forest and Logistic Regression Machine Learning Algorithms in Text Classification

Authors

DOI:

https://doi.org/10.26439/interfases2026.n023.8710

Keywords:

machine learning, natural language processing, clinical text classification, logistic regression, random forest

Abstract

Managing the vast amount of unstructured data we generate today would be unthinkable without automatic text classification. This tool has become indispensable for tasks as varied as sentiment analysis and combating fake news. However, a significant technical dilemma arises: despite the vast array of algorithms designed for these purposes, there is still no clear consensus on which is the most effective for each specific dataset. To address this issue, the present study compares the robustness of two models: Random Forest, which operates using a set of trees, and Logistic Regression, a linear model. The corpus used is Symptom2Disease, a dataset of 1,200 text records containing descriptions of symptoms in natural language, evenly distributed across 24 diagnostic categories, covering conditions such as psoriasis, diabetes, dengue, and malaria. For this purpose, a factorial experimental design was adopted, incorporating standard preprocessing, data augmentation to mitigate sample size limitations, and representation analysis via N-grams. In other words, it appears that Logistic Regression performs better than Random Forest, achieving a maximum F1 score of 0.9797 when used in conjunction with data augmentation and unigrams. For short medical texts, the linearity of the model and synthetic corpus enrichment prove to be a more efficient and accurate solution compared to non-linear models.

Downloads

Download data is not yet available.

Author Biographies

  • Stalin Francisco Calva Vicente, Universidad Técnica de Machala, Ecuador

    Es estudiante de pregrado de Tecnologías de la Información de la Facultad de Ingeniería Civil de la Universidad Técnica de Machala, Ecuador. Su vinculación académica con una facultad orientada a la ingeniería y la tecnología refleja su interés por las ciencias aplicadas y por la búsqueda de soluciones para el desarrollo tecnológico y estructural de la región.

  • Ángel Ricardo Vera Santos, Universidad Técnica de Machala, Ecuador

    Es un estudiante de pregrado de Tecnologías de la Información en Civil de la Universidad Técnica de Machala, Ecuador. Su pertenencia a una facultad enfocada en la ingeniería y la tecnología refleja un claro interés por las ciencias aplicadas y por la búsqueda de soluciones en el ámbito del ecosistema laboral y tecnológico del país.

  • Freddy Anibal , Universidad Técnica de Machala, Ecuador

    Posee un máster universitario en Inteligencia Artificial, un máster en Ciencia de Datos Aplicada, un master of science en Geographical Information Science & Systems (SIG) y una maestría en Educación Superior. Es ingeniero de sistemas. En el ámbito laboral, se desempeña actualmente como docente e investigador en la carrera profesional de Tecnologías de la Información en la Universidad Técnica de Machala, Ecuador. Cuenta con una amplia experiencia en el desarrollo de proyectos de investigación y vinculación con la sociedad para fortalecer el ecosistema tecnológico regional. A nivel de reconocimientos y aportes, destaca por sus múltiples publicaciones de libros y artículos científicos en revistas indexadas, en los que aborda temáticas innovadoras como el desarrollo de chatbots para orientación vocacional, el impacto de los sesgos y la equidad algorítmica en el aprendizaje automático, y la aplicación de los SIG para la delimitación de cuencas hidrográficas. Sus intereses principales se centran en la intersección de la educación y la tecnología, promoviendo el uso ético de la inteligencia artificial, la analítica de datos para el bienestar social y la formación de profesionales íntegros y comprometidos con su entorno.

  • Johnny Paul Novillo Vicuña, Universidad Técnica de Machala, Ecuador

    Posee una maestría en Educación Superior. Es ingeniero eléctrico y candidato a doctor (Ph. D.) en Tecnologías de la Información y Comunicación por la Universidad de La Coruña, España. En el ámbito laboral, cuenta con una sólida experiencia en el sector privado dedicada a la consultoría y construcción de obras eléctricas, mientras que en el sector educativo se desempeña como docente titular e investigador en la Universidad Técnica de Machala, institución en la que también ha ejercido como coordinador de las carreras profesionales de Ingeniería de Sistemas y de Tecnologías de la Información. Su destacada producción académica incluye la publicación de libros de texto fundamentales para la formación universitaria, como la serie de volúmenes de Fundamentos de los sistemas microprocesados y Arduino y el internet de las cosas, además de diversos artículos científicos en revistas indexadas. Sus principales líneas de investigación y áreas de interés abarcan el desarrollo de sistemas con internet de las cosas aplicados a la automatización agrícola y acuícola, la criptografía homomórfica para la seguridad de datos en la nube de las pymes, y la aplicación de redes neuronales y visión artificial para la interpretación en tiempo real del lenguaje de señas ecuatoriano.

References

Aggarwal, C. C., & Zhai, C. (2012). A Survey of Text Classification Algorithms. En C. C. Aggarwal & C. Zhai (Eds.), Mining Text Data (pp. 163-222). Springer US. https://doi.org/10.1007/978-1-4614-3223-4_6

Alsaeedi, A. (2020). A survey of term weighting schemes for text classification. International Journal of Data Mining, Modelling and Management, 12(2), 237. https://doi.org/10.1504/IJDMMM.2020.10028060

Báez, P., Arancibia, A. P., Chaparro, M. I., Bucarey, T., Núñez, F., & Dunstan, J. (2022). Procesamiento de lenguaje natural para texto clínico en español: el caso de las listas de espera en Chile. Revista Médica Clínica Las Condes, 33(6), 576-582. https://doi.org/10.1016/J.RMCLC.2022.10.002

Barman, N., Karim, F., & Sharma, K. (2023). Symptom2Disease: Diseases and Natural Language Symptom Descriptions. https://www.kaggle.com/datasets/niyarrbarman/symptom2disease?resource=download

Calero Sánchez, M., González González, J. C., Sánchez Berriel, I., Burillo-Putze, G., & Roda García, J. L. (2024). Natural language processing for reviewing search results from PubMed. Revista Española de Urgencias y Emergencias. https://doi.org/10.55633/S3ME/REUE030.2024

Cardoso, F. E., Ferneda, E., & Botega, L. (2023). Clasificación de textos: un enfoque con uso de machine learning. Revista EDICIC, 3(3), 1–17. https://doi.org/10.62758/re.v3i3.212

Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS Inc. DaimlerChrysler. https://public.dhe.ibm.com/software/analytics/spss/documentation/modeler/14.2/es/CRISP-DM.pdf

Genkin, A., Lewis, D. D., & Madigan, D. (2007). Large-Scale Bayesian Logistic Regression for Text Categorization. Technometrics, 49(3), 291-304. https://doi.org/10.1198/004017007000000245

Kowsari, K., Jafari Meimandi, K., Heidarysafa, M., Mendu, S., Barnes, L., & Brown, D. (2019). Text Classification Algorithms: A Survey. Information, 10(4). https://doi.org/10.3390/info10040150

Li, Q., Peng, H., Li, J., Xia, C., Yang, R., Sun, L., Yu, P. S., & He, L. (2022). A Survey on Text Classification: From Traditional to Deep Learning. ACM Trans. Intell. Syst. Technol., 13(2). https://doi.org/10.1145/3495162

Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press. https://doi.org/10.1017/CBO9780511809071

Pal, M. (2005). Random forest classifier for remote sensing classification. International Journal of Remote Sensing - INT J REMOTE SENS, 26, 217-222. https://doi.org/10.1080/01431160412331269698

Powers, D. (2008). Evaluation: From Precision, Recall and F-Factor to ROC, Informedness, Markedness & Correlation. Mach. Learn. Technol., 2. https://doi.org/10.48550/arXiv.2010.16061

Pranckevičius, T., & Marcinkevičius, V. (2017). Comparison of Naive Bayes, Random Forest, Decision Tree, Support Vector Machines, and Logistic Regression Classifiers for Text Reviews Classification. Baltic Journal of Modern Computing, 5(2). https://doi.org/10.22364/bjmc.2017.5.2.05

Sun, Y., Li, Y., Qingtao, Z., & Bian, Y. (2020). Application Research of Text Classification Based on Random Forest Algorithm. 370-374. https://doi.org/10.1109/AEMCSE50948.2020.00086

Vabalas, A., Gowen, E., Poliakoff, E., & Casson, A. (2019). Machine learning algorithm validation with a limited sample size. PLOS ONE, 14(11), 1-20. https://doi.org/10.1371/journal.pone.0224365

Wei, J., & Zou, K. (2019). EDA: Easy Data Augmentation Techniques for Boosting Performance on Text Classification Tasks. En K. Inui, J. Jiang, V. Ng, & X. Wan (Eds.), Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP) (pp. 6382-6388). Association for Computational Linguistics. https://doi.org/10.18653/v1/D19-1670

Published

2026-07-30

Issue

Section

Research papers

How to Cite

Calva Vicente, S. F., Vera Santos, Ángel R., Freddy Anibal, & Novillo Vicuña, J. P. (2026). A Comparative Analysis of the Application of the Random Forest and Logistic Regression Machine Learning Algorithms in Text Classification. Interfases, 023, 13-36. https://doi.org/10.26439/interfases2026.n023.8710