Maison > Article > Périphériques technologiques > Comment utiliser l'apprentissage automatique pour analyser les sentiments
Nous avons utilisé différents algorithmes d'apprentissage automatique pour l'analyse des sentiments, puis avons comparé les résultats de précision de chaque algorithme pour déterminer quel algorithme est le plus adapté à ce problème.
L'analyse des sentiments est un contenu important dans le traitement du langage naturel (PNL). Les émotions sont les sentiments que nous ressentons à propos d'un événement, d'un objet, d'une situation ou d'une chose. L'analyse des sentiments est un domaine de recherche qui extrait automatiquement les émotions humaines du texte. Son développement a commencé lentement au début des années 90.
Cet article vous permettra de comprendre comment utiliser l'apprentissage automatique (ML) pour l'analyse des sentiments et de comparer les résultats de différents algorithmes d'apprentissage automatique. Le but de cet article n’est pas d’étudier comment améliorer les performances des algorithmes.
De nos jours, nous vivons dans une société en évolution rapide, tous les produits peuvent être achetés en ligne et chacun peut publier ses propres commentaires en ligne. Et les avis négatifs en ligne sur certains produits peuvent nuire à la réputation de l'entreprise, affectant ainsi ses ventes. Il devient donc très important pour les entreprises d’utiliser les avis sur les produits pour comprendre ce que veulent réellement les clients. Cependant, il y a trop de données de commentaires et il est impossible de visualiser manuellement tous les commentaires un par un. C’est ainsi qu’est née l’analyse des sentiments.
Voyons maintenant comment utiliser l'apprentissage automatique pour développer un modèle permettant d'effectuer une analyse de base des sentiments.
La première étape consiste à choisir un ensemble de données. Vous pouvez choisir parmi n’importe quelle critique publique, comme un tweet ou une critique de film. L'ensemble de données doit contenir au moins deux colonnes : les étiquettes et les segments de texte réels.
La figure ci-dessous montre certains des ensembles de données que nous avons sélectionnés.
Figure 1 : Échantillon de données
Ensuite, nous importons les bibliothèques requises :
import pandas as pd import numpy as np from nltk.stem.porter import PorterStemmer import re import string
Comme vous pouvez le voir dans le code ci-dessus, nous avons importé NumPy
et Bibliothèque Pandas
pour gérer les données. Quant aux autres bibliothèques, nous les expliquerons quand elles sont utilisées. 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
sentiment_dataframe = pd.read_csv(“/content/drive/MyDrive/Data/sentiments - sentiments.tsv”,sep = ‘t’)
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
Pandas
lit l'ensemble de données dans notre projet. Nous utilisons le code suivant pour lire l'ensemble de données dans Pandas DataFramedef count_punct(text): count = sum([1 for char in text if char in string.punctuation]) return round(count/(len(text) - text.count(“ “)),3)*100 tokenized_tweet = sentiment_dataframe[‘body_text’].apply(lambda x: x.split()) stemmer = PorterStemmer() tokenized_tweet = tokenized_tweet.apply(lambda x: [stemmer.stem(i) for i in x]) for i in range(len(tokenized_tweet)): tokenized_tweet[i] = ‘ ‘.join(tokenized_tweet[i]) sentiment_dataframe[‘body_text’] = tokenized_tweet sentiment_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’]Traitement des données
Maintenant, l'ensemble de données a été importé dans notre projet. Nous traitons ensuite les données afin que l'algorithme puisse mieux comprendre les caractéristiques de l'ensemble de données. Nous nommons d'abord les colonnes de l'ensemble de données, ce qui se fait avec le code suivant : from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X,y, test_size = 0.20, random_state = 99)
Ensuite, nous nommons les colonnes de l'ensemble de données : 4px; overflow-wrap: break-word; text-indent: 0px;">label Valeur numérique de la colonne : Remplacez le commentaire négatif
par 1,positif
les commentaires sont remplacés par 0. L'image ci-dessous montre la modification de base : valeur sentiment_dataframe
.
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。
Figure 3: Data frame after the division of the data set
def count_punct(text): count = sum([1 for char in text if char in string.punctuation]) return round(count/(len(text) - text.count(“ “)),3)*100 tokenized_tweet = sentiment_dataframe[‘body_text’].apply(lambda x: x.split()) stemmer = PorterStemmer() tokenized_tweet = tokenized_tweet.apply(lambda x: [stemmer.stem(i) for i in x]) for i in range(len(tokenized_tweet)): tokenized_tweet[i] = ‘ ‘.join(tokenized_tweet[i]) sentiment_dataframe[‘body_text’] = tokenized_tweet sentiment_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’]
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。
Figure 4: Sample of final features
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:
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:
from sklearn.model_selection import train_test_split X_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。
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%。
from sklearn.neighbors import KNeighborsClassifier model = KNeighborsClassifier(n_neighbors=3) model.fit(X_train, y_train) model.score (X_test,y_test) 0.5056689342403629
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%。
from sklearn.linear_model import LogisticRegression model = LogisticRegression() model.fit (X_train,y_train) model.score (X_test,y_test) 0.6621315192743764
以下代码使用 SVM,准确率大约为 67%。
from sklearn import svm model = svm.SVC(kernel=’linear’) model.fit(X_train, y_train) model.score(X_test,y_test) 0.6780045351473923
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%。
from sklearn.ensemble import RandomForestClassifier model = RandomForestClassifier() model.fit(X_train, y_train) model.score(X_test,y_test) 0.6938775510204082
接下来,我们使用决策树算法,其准确率约为 61%。
from sklearn.tree import DecisionTreeClassifier model = DecisionTreeClassifier() model = model.fit(X_train,y_train) model.score(X_test,y_test) 0.6190476190476191
以下的代码使用随机梯度下降算法,其准确率大约为 49%。
from sklearn.linear_model import SGDClassifier model = SGDClassifier() model = model.fit(X_train,y_train) model.score(X_test,y_test) 0.49206349206349204
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%。
from sklearn.naive_bayes import GaussianNB model = GaussianNB() model.fit(X_train, y_train) model.score(X_test,y_test) 0.6009070294784581
接下来,我们绘制所有算法的准确率图。如下图所示。
Figure 5: Accuracy performance of the different algorithms
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!
Figure 6 : Exemples de prédictions effectuées
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!