El rendimiento de la clasificación de texto emotivo utilizando esquemas jerárquicos afectivos (por ejemplo, WordNet-Affect) a menudo se evalúa utilizando las mismas medidas tradicionales utilizadas para evaluar el rendimiento cuando se utiliza un conjunto finito de clases aisladas. Sin embargo, aplicar dichas medidas significa que no se consideran las características completas y la estructura del esquema jerárquico emotivo. Por lo tanto, el rendimiento general de la clasificación de texto emotivo utilizando esquemas jerárquicos de emoción a menudo se informa de manera inexacta y puede llevar a una recuperación de información y toma de decisiones ineficaces. Este artículo proporciona una investigación comparativa sobre cómo los métodos utilizados en problemas de clasificación jerárquica en otros dominios, que extienden métricas de evaluación tradicionales para considerar las características del esquema de clasificación jerárquica, pueden aplicarse y posteriormente mejorar la clasificación de textos emotivos. Este estudio investiga el rendimiento de clasificación de tres clasificadores ampliamente utilizados, Naive Bayes, Árbol de decisión J48 y SVM, siguiendo la aplicación de los métodos mencionados anteriormente. Los resultados demostraron que todos los métodos mejoraron la clasificación de emociones. Sin embargo, la mejora más notable se registró cuando se aplicó un método basado en la profundidad tanto a los datos de prueba como de validación, donde la precisión, la recuperación y la puntuación F1 se mejoraron significativamente alrededor de 70 puntos porcentuales para cada clasificador.