基于Scikit-learn的情感分析示例,用于构建一个智能客户反馈分析系统。这个系统包括数据预处理、模型训练和预测步骤。
数据准备
首先,准备你的数据集。假设我们有一个CSV文件,其中包含客户反馈和相应的情感标签(正面或负面)。
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer
from sklearn.pipeline import Pipeline
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score, classification_report
# 假设数据集文件名为 customer_feedback.csv,包含两列:feedback 和 sentiment
data = pd.read_csv('customer_feedback.csv')
# 分离特征和标签
X = data['feedback']
y = data['sentiment']
# 将数据分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
数据预处理和模型训练
使用Scikit-learn的Pipeline来创建一个处理文本数据的流水线,并训练一个朴素贝叶斯模型。
# 创建一个文本处理和分类的Pipeline
text_clf = Pipeline([
('vect', CountVectorizer()), # 将文本转换为词袋模型
('tfidf', TfidfTransformer()), # 计算TF-IDF值
('clf', MultinomialNB()), # 使用朴素贝叶斯分类器
])
# 训练模型
text_clf.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = text_clf.predict(X_test)
# 评估模型性能
print(f"Accuracy: {accuracy_score(y_test, y_pred)}")
print(classification_report(y_test, y_pred))
实时情感分析
创建一个函数,用于对新的客户反馈进行情感分析。
def analyze_sentiment(feedback):
sentiment = text_clf.predict([feedback])
return sentiment[0]
# 测试情感分析函数
print(analyze_sentiment("I love this product!"))
print(analyze_sentiment("This is the worst service I have ever experienced."))
完整代码
将以上部分整合为一个完整的脚本。
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer
from sklearn.pipeline import Pipeline
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score, classification_report
# 读取数据
data = pd.read_csv('customer_feedback.csv')
# 分离特征和标签
X = data['feedback']
y = data['sentiment']
# 将数据分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建文本处理和分类的Pipeline
text_clf = Pipeline([
('vect', CountVectorizer()),
('tfidf', TfidfTransformer()),
('clf', MultinomialNB()),
])
# 训练模型
text_clf.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = text_clf.predict(X_test)
# 评估模型性能
print(f"Accuracy: {accuracy_score(y_test, y_pred)}")
print(classification_report(y_test, y_pred))
# 实时情感分析函数
def analyze_sentiment(feedback):
sentiment = text_clf.predict([feedback])
return sentiment[0]
# 测试情感分析函数
print(analyze_sentiment("I love this product!"))
print(analyze_sentiment("This is the worst service I have ever experienced."))
总结
这段代码展示了如何使用Scikit-learn构建一个简单的智能客户反馈情感分析系统。你可以根据需要扩展和改进这个系统,例如使用更复杂的特征提取方法、不同的分类算法、或者更多的预处理步骤。希望这个示例对你有所帮助!