El análisis de sentimientos ha sido una de las áreas de investigación más activas en la última década debido a sus vastas aplicaciones. La cuantificación del sentimiento, un nuevo problema de investigación en este campo, extiende el análisis de sentimientos desde documentos individuales hasta una colección agregada de documentos. Aunque el análisis de sentimientos ha sido ampliamente investigado, la cuantificación del sentimiento ha recibido menos atención a pesar de ofrecer un mayor potencial para mejorar los sistemas actuales de inteligencia empresarial. En esta investigación, para llevar a cabo la cuantificación del sentimiento, se propone un marco basado en ingeniería de características para explotar diversos conjuntos de características como sentimiento, contenido y parte del discurso, así como características profundas que incluyen word2vec y GloVe. Se han investigado diferentes algoritmos de aprendizaje automático, incluidos los convencionales, los aprendices de conjunto y los enfoques de aprendizaje profundo, en conjuntos de datos estándar de SemEval2016, SemEval2017, STS-Gold y Sanders. Los resultados basados en la evidencia revelan la efectividad de los conjuntos de características propuestos en el proceso de cuantificación del sentimiento cuando se aplican a algoritmos de aprendizaje automático. Los resultados también muestran que el algoritmo basado en conjuntos AdaBoost supera a otros algoritmos convencionales de aprendizaje automático utilizando una combinación de conjuntos de características propuestos. El algoritmo de aprendizaje profundo RNN, por otro lado, muestra resultados óptimos utilizando características basadas en incrustación de palabras. Esta investigación tiene el potencial de ayudar a diversas aplicaciones de cuantificación del sentimiento, incluyendo encuestas, análisis de tendencias, resúmenes automáticos y detección de rumores o noticias falsas.