Asignar etiquetas de sentimiento a documentos es, a primera vista, una tarea estándar de clasificación multietiqueta. Se han utilizado muchos enfoques para esta tarea, pero las soluciones más avanzadas en la actualidad utilizan redes neuronales profundas (DNN). Por lo tanto, parece probable que los algoritmos de aprendizaje automático estándar, como estos, proporcionen un enfoque efectivo. Describimos un enfoque alternativo, que implica el uso de probabilidades para construir un léxico ponderado de términos de sentimiento, luego modificando el léxico y calculando umbrales óptimos para cada clase. Mostramos que este enfoque supera el uso de DNN y otros algoritmos estándar. Creemos que las DNN no son una panacea universal y que prestar atención a la naturaleza de los datos de los que se intenta aprender puede ser más importante que probar algoritmos de aprendizaje automático de propósito general cada vez más potentes.