我們使用了不同的機器學習演算法進行情緒分析，然後將各個演算法的準確率結果進行比較，以確定哪一種演算法最適合這個問題。
情緒分析是自然語言處理（NLP）中的一個重要的內容。情感指的是我們對某一事件、物品、情況或事物所產生的感覺。情感分析是一個從文本中自動提取人類情感的研究領域。它在上世紀 90 年代初才慢慢開始發展。
本文將讓你明白如何將機器學習（ML）用於情緒分析，並比較不同機器學習演算法的結果。本文的目標不在於研究如何提高演算法效能。
如今，我們生活在一個快節奏的社會中，所有的商品都能在網路上購買到，每個人都可以在網路上發表自己的評論。而某些商品的負面網路評論可能會損害公司的聲譽，進而影響公司的銷售。因此對公司來說，透過商品評論來了解客戶真正想要什麼變得非常重要。但是這些評論數據太多了，無法一個個地手動查看所有的評論。這就是情緒分析誕生的緣由。
現在，就讓我們來看看如何用機器學習開發一個模型，來進行基本的情緒分析。
第一步是選擇一個資料集。你可以從任何公開的評論中進行選擇，例如推文或電影評論。資料集中至少要包含兩列：標籤和實際的文字段。
下圖顯示了我們選取的部分資料集。
Figure 1: Data sample
接下來，我們匯入所需的函式庫：
import pandas as pd import numpy as np from nltk.stem.porter import PorterStemmer import re import string
正如你在上面程式碼看到，我們導入了 NumPy 和 Pandas# 函式庫來處理資料。至於其他庫，我們會在使用到它們時再說明。
資料集已準備就緒，並且已匯入所需的庫。接著，我們需要用 Pandas 庫將資料集讀入到我們的專案中去。我們使用以下的程式碼將資料集讀入 Pandas 資料幀DataFrame
sentiment_dataframe = pd.read_csv(“/content/drive/MyDrive/Data/sentiments - sentiments.tsv”,sep = ‘t’)
現在我們的專案中已經導入好資料集了。然後，我們要對資料進行處理，以便演算法可以更好地理解資料集的特徵。我們首先為資料集中的列命名，透過下面的程式碼來完成：
sentiment_dataframe.columns = [“label”,”body_text”]
然後，我們將 label 列進行數值化：negative 的評論替換為1，positive# 的評論替換為0。下圖顯示了經過基本修改後的 sentiment_dataframe 的值。
Figure 2: Data frame with basic modifications
#下一步是資料的預處理。這是非常重要的一步，因為機器學習演算法只能理解/處理數值形數據，而不能理解文本，所以此時要進行特徵抽取，將字串/文本轉換成數值化的數據。此外，還需要刪除冗餘和無用的數據，因為這些數據可能會污染我們的訓練模型。我們在這一步驟中去除了雜訊資料、缺失值資料和不一致的資料。
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！
圖 6：所做的預測樣本
以上是如何使用機器學習來分析情感的詳細內容。更多資訊請關注PHP中文網其他相關文章！
