基于Scikit-learn的情感分析：智能客户反馈分析

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."))