Python人工智能应用----文本情感分析

1.问题引入

接着前两节课的内容，今天我们要构建一个人工智能系统。

它的目的是像人类一样，区分评价的情感是正面还是负面的。

接下来，我们要对提取的文本进行感情色彩的分析，这个就是文本情感分析，我们要使用机器学习里面的--------监督学习

2.监督学习

监督学习是机器学习的一种，是指通过让机器去学习我们"标记好"的数据集，训练出一个模型，然后根据该模型对"未标记"的数据进行分类或预测。

举一个通俗的例子：在学习中，父母帮忙指正"对"和"错"。根据父母的指导，我们有了自己的判断。在下次碰到的时候，我们也能分辨出"对"和"错"。这就是我们在父母的帮助下"监督"学习。

在监督学习中，用于训练模型的数据都既有特征(feature)又有对应标签(label)。

我们将这样的数据集称为训练集(train set)。

通常，特征需要使用代码提取，标签则是人工直接标注在数据集上的。

原始的数据集在提取完文本和标签以后，就要被随机划分为2个部分，训练集和测试集；

这个随机的比例不是固定的，我们在自己的代码里面可以进行对应的设置，一般是大部分的用来训练找到对应的算法，少部分测试集用来测试这个算法是否准确；

3.提取数据集中的文本特征和对应的标签

这个其实我们昨天已经实现了，我们昨天的就是提取词频数大于15的，但是我们想要用机器学习实现分类器模型的构造，我们就必须提取所有的评论，而不是评价的次数大于15的词语了，所以我们要把原来的max_features=15去掉：

为了训练分类器模型，我们需要将文本特征从稀疏矩阵转换为一个二维的NumPy数组。

这是因为每条评价都对应多个特征，通过二维数组的行和列，可以清晰定位出某一个词语在某条评价里出现的次数。同时，不论之后选择哪一种机器学习的算法，都可以直接传入NumPy数组进行训练，非常方便。

我们只需对X使用toarray()函数，就可以将其转换为二维数组了。

我们已经获得了数据集，接下来就要提取数据集的标签：

复制代码

# 创建一个空列表y，用于存储标签
y = []
# TODO 使用for循环遍历data，将遍历的数据存储到allInfo变量中
for allInfo in data:

    # TODO 提取allInfo中的标签数据，并存储在变量label中
    label = allInfo[1]
    
    # TODO 使用append()函数，将标签逐一添加到列表y中
    y.append(label)
    
# 输出列表y进行查看
print(y)

4.将数据集划分为训练集和测试集

我们可以借助sklearn.model_selection这个模块，它包含了划分数据的相关功能。

该模块中有一个train_test_split类，其中的train_test_split()函数，可按照用户设定的比例，将数据集随机划分为训练集和测试集。

复制代码

# TODO 从sklearn.model_selection中导入train_test_split
from sklearn.model_selection import train_test_split

# TODO 划分数据集，将数据分为训练集和测试集
result = train_test_split(X, y, train_size=0.8, random_state=1)

# 输出result进行查看
print(result)

X：将需要进行划分的数据集的文本特征（简单来说就是前面的评价部分）；

y:简单来说就是后面的标签（好评还是差评）；

train_size=0.8:我们从数据集里面选择80%的作为训练集（就是通过这个80%）的出一种算法，让剩下的20%测试这个算法；

random_state=1:随机种子，让每次的数据划分一致。