机器学习 —— 使用机器学习进行情感分析 演示版

🌟欢迎来到 我的博客 —— 探索技术的无限可能！

🌟博客的简介（文章目录）

---

机器学习 —— 使用机器学习进行情感分析 详细介绍版
机器学习 —— 使用机器学习进行情感分析 演示版
机器学习 —— 使用机器学习进行情感分析 代码         ——>        可私信获取

---

一、项目构想

        在现代互联网时代里，人们的意见、评论和建议已成为政治科学和企业的宝贵资源。借助现代技术，我们现在能够最有效地收集和分析此类数据。该项目通过机器学习应用于语言分析，即情感分析；情感分析是分析用户情感的过程。我们可以将他们的情绪分为正面，负面或中性。

        这是最受欢迎的机器学习项目之一。其背后的原因是每家公司都试图了解客户的情绪，如果客户满意，他们会留下来。该项目可能显示出减少客户流失的途径。

二、实现过程

数据集

1. 首先，我们构建模型需要数据集，我们使用一个互联网电影数据库中的大量电影评论数据。下载链接： Sentiment Analysis (stanford.edu)
   

2. 如上图所示，test和train目录下都有25000个数据集，分别在neg 与 pos文件夹下，代表负面（6分以下）和正面（6分以上）的评论。之后将我们的数据集进行处理，得到方便我们进行机器学习的CSV文件。

数据标注

1. 导入包。Pyprind为进度条模块，用于实现处理进度可视化效果。
   

2. 分别创建进度条、标签字典和一个列表，分别用于显示处理进度；表示正面和负面评论；以及存储每个评论的文本和标签。
   

3. 通过遍历数据集中的‘pos’和‘neg’文件夹中的文件，将评论文本和标签添加到空列表中。
   

4. 创建DataFrame，用于存储评论文本和标签。之后打乱顺序，以防影响学习效果。

5. 将DataFrame保存为CSV文件，并打印开头的三个评论，检查是否正常运行。

6. 结果

数据预处理

        我们有了原始的数据集。需要对数据进行预处理，该数据有两个问题需要解决：

        （1）数据集含有大量的HTML符号，要消去文本中的HTML符号。

        （2）要将文本数据转化为矩阵数据，以便进行机器学习。

        对于问题一，可以用正则表达式来进行对特定符号的剔除。

        正则表达式就是利用特殊符号构建的一种规则，将文本中符合这种规则的字符串提取或者消除的一种方式，在这里我们构建了符合HTML符号的一种规则，将HTML符号在我们的文本数据中进行剔除。

问题一解决过程

1. 导入包。并读取数据。

2. 导入正则表达式模块，并定义一个delete_html函数。

3. 在函数中，re.sub()用于空格替换文本中的HTML标签。

4. re.findall()用于在文本中查找表情符号，之后移除非字母数字字符，转换为小写，并将表情符号添加到文本中。

5. 完整代码

6. 对‘review’列中的每个文本应用delete_html函数。

问题二解决过程

1. 通过词袋模型对文本数据进行编码，将其表示为数值型的特征向量。词袋模型，是用于自然语言处理和信息检索中的一种简单的文档表示方法。通过这一模型，一篇文档可以通过统计所有单词的数目来表示，这种方法不考虑语法和单词出现的先后顺序。

2. 使用词袋模型，首先对文本数据进行词汇分割，这里利用文本中的空格进行分割。

3. 导入PorterStemmer，对文本进行词干提取，并返回词干化后的单词列表。

4. 数据中还有大量“无意义” 词汇，需要用一个预先规定的停用词集合，在数据集中进行剔除。所以要先导入nltk库，下载并导入停用词列表。

数据划分

        数据预处理之后，进行数据划分。将数据集划分为训练集和测试集。通常，大部分数据用于训练，另一部分用于测试模型的性能。

        如上图所示，将前1000划分为训练集，后1000划分为测试集

搭建训练模型

1. 导入库。作用如图所示。

2. 定义参数网格。主要参数解释如图所示。

3. 创建机器学习流水线，可以简化代码，将步骤封装成完整的工作流，避免了代码重复。

4. 导入模型，并训练。

5. 打印最优组合。

6. 实现结果：

随机梯度下降算法

        当数据集过大，我们可以用随机梯度下降算法（SGD）。SGD主要应用在大规模稀疏数据问题上，经常用在文本分类及自然语言处理，是深度学习中常用的优化算法之一。

1. 数据预处理和数据划分与前文相同，仅截图展示。

2. 导入训练模型。

3. 分批次加载训练集数据，每次加载1000条，共45*1000。

4. 使用模型对测试数据集进行评估，并打印评估结果。

5. 实现结果：

        与第一种方法对比可知，第二种方法准确度更高。

三、可视化分析

对训练集和测试集的准确率进行可视化分析

1. 如图所示，进行10次迭代，仅展示核心代码：

2. 绘制训练集和测试集准确率随迭代次数的变化：

3. 可视化

        如图所示，在训练集上进行部分拟合后，十次迭代的准确度与测试集经过十次迭代的准确度相差不远，说明模型欠拟合。

对训练集经过深度学习后的准确率与损失函数进行可视化分析

1. 如图所示，搭建深度学习模型，训练后获取准确度和损失函数，仅展示核心代码：

2. 绘制训练集准确率和损失函数曲线：

3. 可视化

        如图所示，在训练集上进行深度学习后，准确度远远高于验证准确度，而且损失函数也比验证损失函数小，说明深度学习训练效果好。