행복, 분노, 슬픔, 두려움과 같은 특정 감정 상태를 식별하는 정교한 감정 분류 (fine-grained emotion classification) 는 자연어 처리 분야에서 여전히 어려운 과제로 남아있습니다. 본 연구는 79,595 개의 영어 문장으로 구성된 '20-Emotion Text Classification Dataset'을 사용하여 20 개 클래스 감정 분류를 위한 고전적 머신러닝 및 딥러닝 접근법을 벤치마킹합니다. 머신러닝 측면에서는 TF-IDF 특징을 활용하여 로지스틱 회귀 (Logistic Regression), 다항식 나이브 베이즈 (Multinomial Naive Bayes), 서포트 벡터 머신 (Support Vector Machine) 을 평가합니다. 딥러닝 측면에서는 파이토orch(PyTorch) 에서 구현된 양방향 장기 단기 메모리 (Bidirectional Long Short-Term Memory, BiLSTM), 게이트 순환 유닛 (Gated Recurrent Unit, GRU), 그리고 경량 트랜스포머 (lightweight Transformer) 를 비교합니다. 결과는 BiLSTM 이 89% 의 정확도와 0.89 의 가중치 F1 점수로 가장 전반적인 성능을 보였으며, 최고 수준의 머신러닝 모델인 SVM(정확도 88.11%) 을 약간 앞섰음을 보여줍니다. 이러한 발견은 전통적인 머신러닝 모델이 여전히 경쟁력이 있고 계산적으로 효율적이지만, 순서 기반의 딥러닝 모델이 텍스트 내의 문맥적 감정 단서를 더 잘 포착할 수 있음을 시사합니다.