人类情感分析学人类情感分析 _生活百科

文章插图

本文将帮助你理解情感分析sentiment analysis 的概念，并且学习如何使用机器学习进行情感分析。我们使用了不同的机器学习算法进行情感分析，然后将各个算法的准确率结果进行比较，以确定哪一种算法最适合这个问题。
情感分析是自然语言处理（NLP）中的一个重要的内容。情感指的是我们对某一事件、物品、情况或事物产生的感觉。情感分析是一个从文本中自动提取人类情感的研究领域。它在上世纪 90 年代初才慢慢地开始发展起来。
本文将让你明白如何将机器学习（ML）用于情感分析，并比较不同机器学习算法的结果。本文的目标不在于研究如何提高算法性能。
如今，我们生活在一个快节奏的社会中，所有的商品都能在网上购买到，每个人都可以在网上发表自己的评论。而一些商品的负面网络评论可能会损害公司的声誉，从而影响公司的销售额。因此对公司来说，通过商品评论来了解客户真正想要什么变得非常重要。但是这些评论数据太多了，无法一个个地手动查看所有的评论。这就是情绪分析诞生的缘由。
现在，就让我们看看如何用机器学习开发一个模型，来进行基本的情绪分析吧。
现在就开始吧！
获取数据第一步是选择一个数据集。你可以从任何公开的评论中进行选择，例如推文或电影评论。数据集中至少要包含两列：标签和实际的文本段。
下图显示了我们选取的部分数据集。
接下来，我们导入所需的库：
importpandas as pdimportnumpy as npfrom nltk.stem.porterimportPorterStemmerimportreimportstring正如你在上面代码看到，我们导入了NumPy和Pandas库来处理数据。至于其他库，我们会在使用到它们时再说明。
数据集已准备就绪，并且已导入所需的库。接着，我们需要用Pandas库将数据集读入到我们的项目中去。我们使用以下的代码将数据集读入 Pandas 数据帧DataFrame 类型：
sentiment_dataframe= pd.read_csv(/content/drive/MyDrive/Data/sentiments - sentiments.tsv,sep = ‘\t’)数据处理现在我们的项目中已经导入好数据集了。然后，我们要对数据进行处理，以便算法可以更好地理解数据集的特征。我们首先为数据集中的列命名，通过下面的代码来完成：
sentiment_dataframe.columns= [label,body_text]然后，我们对label列进行数值化：negative的评论替换为 1，positive的评论替换为 0 。下图显示了经过基本修改后的sentiment_dataframe的值。
准备好特征值、目标值下一步是数据的预处理。这是非常重要的一步，因为机器学习算法只能理解/处理数值形数据，而不能理解文本，所以此时要进行特征抽取，将字符串/文本转换成数值化的数据。此外，还需要删除冗余和无用的数据，因为这些数据可能会污染我们的训练模型。我们在这一步中去除了噪声数据、缺失值数据和不一致的数据。
【人类情感分析学人类情感分析】对于情感分析，我们在数据帧中添加特征文本的长度和标点符号计数。我们还要进行词干提取，即将所有相似词（如 give、giving 等）转换为单一形式。完成后，我们将数据集分为两部分：特征值 X 和目标值 Y 。
上述内容是使用以下代码完成的。下图显示了执行这些步骤后的数据帧。

defcount_punct(text):count=sum([1 for char in text if char in string.punctuation])returnround(count/(len(text) - text.count( )),3)*100tokenized_tweet=sentiment_dataframe[‘body_text’].apply(lambda x: x.split)stemmer=PorterStemmertokenized_tweet=tokenized_tweet.apply(lambda x: [stemmer.stem(i) for i in x])fori in range(len(tokenized_tweet)):tokenized_tweet=‘ ‘.join(tokenized_tweet)sentiment_dataframe[‘body_text’]=tokenized_tweetsentiment_dataframe[‘body_len’]=sentiment_dataframe[‘body_text’].apply(lambda x:len(x) - x.count( ))sentiment_dataframe[‘punct%’]=sentiment_dataframe[‘body_text’].apply(lambda x:count_punct(x))X=sentiment_dataframe[‘body_text’]y=sentiment_dataframe[‘label’]

特征工程：文本特征处理我们接下来进行文本特征抽取，对文本特征进行数值化。为此，我们使用计数向量器CountVectorizer，它返回词频矩阵。
在此之后，计算数据帧 X 中的文本长度和标点符号计数等特征。X 的示例如下图所示。
使用的机器学习算法现在数据已经可以训练了。下一步是确定使用哪些算法来训练模型。如前所述，我们将尝试多种机器学习算法，并确定最适合情感分析的算法。由于我们打算对文本进行二元分类，因此我们使用以下算法：
加快软驱传输速度：往软盘上存贮较多资料时，让人等得真有点烦。人们不可能对软驱的机械结构进行改造，但可以通过修改系统注册表以获得较高的数据传输速度，具体方法如下：打开系统注册表编辑器，找到 “HEKY-LOCAL-MACHINESystemCurrentControlsetServicesClassFCD00，在其右边的窗口空白处，占击鼠标的右健新建一个“DWORD”值，命名为 “ Fore-Fifo”，健值设定为“0” 。最后关闭注册表面化编辑器，重新启动电脑，一切就OK了!

K-近邻算法（KNN）
逻辑回归算法
支持向量机（SVMs）
随机梯度下降（SGD）
朴素贝叶斯算法
决策树算法
随机森林算法

划分数据集自动大灯白天也一直亮怎么办？自动大灯感应器在哪里随着现在汽车技术的蓬勃发展，汽车上的科技也越来越丰富了。从以前只有风扇、收音机，连车窗都是手摇的简陋配置，到现在冷暖一体。
首先，将数据集划分为训练集和测试集。使用sklearn库，详见以下代码：

fromsklearn.model_selectionimporttrain_test_splitX_train, X_test, y_train, y_test = train_test_split(X,y, test_size =0.20, random_state =99)

我们使用 20% 的数据进行测试，80% 的数据用于训练。划分数据的意义在于对一组新数据（即测试集）评估我们训练的模型是否有效。
K-近邻算法现在，让我们开始训练第一个模型。首先，我们使用 KNN 算法。先训练模型，然后再评估模型的准确率（具体的代码都可以使用 Python 的sklearn库来完成）。详见以下代码，KNN 训练模型的准确率大约为 50% 。

fromsklearn.neighborsimportKNeighborsClassifiermodel = KNeighborsClassifier(n_neighbors=3)model.fit(X_train, y_train)model.score (X_test,y_test)0.5056689342403629

逻辑回归算法逻辑回归模型的代码十分类似——首先从库中导入函数，拟合模型，然后对模型进行评估。下面的代码使用逻辑回归算法，准确率大约为 66% 。

fromsklearn.linear_modelimportLogisticRegressionmodel = LogisticRegressionmodel.fit (X_train,y_train)model.score (X_test,y_test)0.6621315192743764

支持向量机算法以下代码使用 SVM，准确率大约为 67% 。

fromsklearnimportsvmmodel = svm.SVC(kernel=’linear’)model.fit(X_train, y_train)model.score(X_test,y_test)0.6780045351473923

随机森林算法以下的代码使用了随机森林算法，随机森林训练模型的准确率大约为 69% 。

fromsklearn.ensembleimportRandomForestClassifiermodel = RandomForestClassifiermodel.fit(X_train, y_train)model.score(X_test,y_test)0.6938775510204082

决策树算法接下来，我们使用决策树算法，其准确率约为 61% 。

fromsklearn.tree import DecisionTreeClassifiermodel=DecisionTreeClassifiermodel=model.fit(X_train,y_train)model.score(X_test,y_test)0.6190476190476191

随机梯度下降算法以下的代码使用随机梯度下降算法，其准确率大约为 49% 。

fromsklearn.linear_model import SGDClassifiermodel=SGDClassifiermodel=model.fit(X_train,y_train)model.score(X_test,y_test)0.49206349206349204

朴素贝叶斯算法以下的代码使用朴素贝叶斯算法，朴素贝叶斯训练模型的准确率大约为 60% 。

fromsklearn.naive_bayesimportGaussianNBmodel = GaussianNBmodel.fit(X_train, y_train)model.score(X_test,y_test)0.6009070294784581

情感分析的最佳算法接下来，我们绘制所有算法的准确率图。如下图所示。
可以看到，对于情感分析这一问题，随机森林算法有最佳的准确率。由此，我们可以得出结论，随机森林算法是所有机器算法中最适合情感分析的算法。我们可以通过处理得到更好的特征、尝试其他矢量化技术、或者使用更好的数据集或更好的分类算法，来进一步提高准确率。
既然，随机森林算法是解决情感分析问题的最佳算法，我将向你展示一个预处理数据的样本。在下图中，你可以看到模型会做出正确的预测！试试这个来改进你的项目吧！
via: https://www.opensourceforu.com/2022/09/how-to-analyse-sentiments-using-machine-learning/
作者：Jishnu Saurav Mittapalli选题：lkxed译者：chai001125校对：wxy
本文由 LCTT原创编译，Linux中国荣誉推出
你用什么盛装5升水：一位专家演讲时向听众提出一个问题：如果你拥有5升水。你想把它储存到哪里？专家给出了池、桶、盆、碗、杯、瓶五种容器。有30％的人选择了池、桶、盆。70％的人选择了碗、杯、瓶。前者认为：既然已拥有了5升水，干脆让它融入大的空间，兴许能派上大用...