mirror of
https://github.com/LCTT/TranslateProject.git
synced 2024-12-26 21:30:55 +08:00
245 lines
10 KiB
Markdown
245 lines
10 KiB
Markdown
[#]: subject: "How to Analyse Sentiments Using Machine Learning"
|
||
[#]: via: "https://www.opensourceforu.com/2022/09/how-to-analyse-sentiments-using-machine-learning/"
|
||
[#]: author: "Jishnu Saurav Mittapalli https://www.opensourceforu.com/author/jishnu-saurav-mittapalli/"
|
||
[#]: collector: "lkxed"
|
||
[#]: translator: "chai001125"
|
||
[#]: reviewer: "wxy"
|
||
[#]: publisher: "wxy"
|
||
[#]: url: "https://linux.cn/article-15504-1.html"
|
||
|
||
如何使用机器学习来分析情感
|
||
======
|
||
|
||
![][0]
|
||
|
||
本文将帮助你理解 <ruby>情感分析<rt>sentiment analysis</rt></ruby> 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。
|
||
|
||
![Figure 1: Data sample][1]
|
||
|
||
接下来，我们导入所需的库：
|
||
|
||
```
|
||
import pandas as pd
|
||
import numpy as np
|
||
from nltk.stem.porter import PorterStemmer
|
||
import re
|
||
import string
|
||
```
|
||
|
||
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 <ruby>数据帧<rt>DataFrame</rt></ruby> 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。
|
||
|
||
![Figure 2: Data frame with basic modifications][2]
|
||
|
||
#### 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。
|
||
|
||
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][3]
|
||
|
||
```
|
||
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’]
|
||
```
|
||
|
||
#### 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<ruby>计数向量器<rt>CountVectorizer</rt></ruby>，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][4]
|
||
|
||
#### 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：
|
||
|
||
* 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
|
||
|
||
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。
|
||
|
||
##### 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%。
|
||
|
||
```
|
||
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%。
|
||
|
||
```
|
||
from sklearn.linear_model import LogisticRegression
|
||
model = LogisticRegression()
|
||
model.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%。
|
||
|
||
```
|
||
from sklearn import svm
|
||
model = 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%。
|
||
|
||
```
|
||
from sklearn.ensemble import RandomForestClassifier
|
||
model = RandomForestClassifier()
|
||
model.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%。
|
||
|
||
```
|
||
from sklearn.tree import DecisionTreeClassifier
|
||
model = DecisionTreeClassifier()
|
||
model = 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%。
|
||
|
||
```
|
||
from sklearn.linear_model import SGDClassifier
|
||
model = SGDClassifier()
|
||
model = 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%。
|
||
|
||
```
|
||
from sklearn.naive_bayes import GaussianNB
|
||
model = GaussianNB()
|
||
model.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。
|
||
|
||
![Figure 5: Accuracy performance of the different algorithms][5]
|
||
|
||
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: Sample predictions made][6]
|
||
|
||
--------------------------------------------------------------------------------
|
||
|
||
via: https://www.opensourceforu.com/2022/09/how-to-analyse-sentiments-using-machine-learning/
|
||
|
||
作者：[Jishnu Saurav Mittapalli][a]
|
||
选题：[lkxed][b]
|
||
译者：[chai001125](https://github.com/chai001125)
|
||
校对：[wxy](https://github.com/wxy)
|
||
|
||
本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出
|
||
|
||
[a]: https://www.opensourceforu.com/author/jishnu-saurav-mittapalli/
|
||
[b]: https://github.com/lkxed
|
||
[1]: https://www.opensourceforu.com/wp-content/uploads/2022/07/Figure-1-Data-sample.jpg
|
||
[2]: https://www.opensourceforu.com/wp-content/uploads/2022/07/Figure-2-Data-frame-with-basic-modifications-3.jpg
|
||
[3]: https://www.opensourceforu.com/wp-content/uploads/2022/07/Figure-3-Data-frame-after-the-division-of-the-data-set.jpg
|
||
[4]: https://www.opensourceforu.com/wp-content/uploads/2022/07/Figure-4-Sample-of-final-features.jpg
|
||
[5]: https://www.opensourceforu.com/wp-content/uploads/2022/07/Figure-5-Accuracy-performance-of-the-different-algorithms.jpg
|
||
[6]: https://www.opensourceforu.com/wp-content/uploads/2022/07/Figure-6-Sample-predictions-made.jpg
|
||
[0]: hhttps://img.linux.net.cn/data/attachment/album/202302/03/112201q909lsqqs9e0jjzc.jpg |