数据挖掘入门与实战 公众号： datadw
利用机器学习可以很方便的做情感分析。本篇文章将介绍在R语言中如何利用机器学习方法来做情感分析。在R语言中，由
Timothy P.Jurka
开发的情感分析以及更一般的文本挖掘包已经得到了很好的发展。你可以查看下
sentiment
包
以及梦幻般的RTextTools包。实际上，Timothy还写了一个针对低内存下多元Logistic回归（也称最大熵）的R包
maxtent
。
然而，
RTextTools
包中不包含朴素贝叶斯方法。
e1071
包可以很好的执行朴素贝叶斯方法。e1071是TU Wien(维也纳科技大学)统计系的一门课程。这个包的主要开发者是
David Meyer
。
我们仍然有必要了解文本分析方面的知识。
tm
包
算是其中成功的一部分：它是R语言在文本挖掘应用中的一个框架。它在文本清洗（词干提取，删除停用词等）以及将文本转换为词条-文档矩阵(dtm)方面做得很好。
文本分析最重要的部分就是得到每个文档的特征向量，其中词语特征最重要的。当然，你也可以将单个词语特征扩展为双词组，三连词，n-连词等。在本篇文章，我们以单个词语特征为例做演示。
注意，在R中用
ngram
包来处理n-连词。在过去，
Rweka
包提供了函数来处理它。现在，你可以设置
RTextTools
包中
create_matrix
函数的参数
ngramLength
来实现它。
第一步是读取数据：
library(RTextTools)
library(e1071)
pos_tweets = rbind(
c('I love this car', 'positive'),
c('This view is amazing', 'positive'),
c('I feel great this morning', 'positive'),
c('I am so excited about the concert', 'positive'),
c('He is my best friend', 'positive')
)
neg_tweets = rbind(
c('I do not like this car', 'negative'),
c('This view is horrible', 'negative'),
c('I feel tired this morning', 'negative'),
c('I am not looking forward to the concert', 'negative'),
c('He is my enemy', 'negative')
)
test_tweets = rbind(
c('feel happy this morning', 'positive'),
c('larry friend', 'positive'),
c('not like that man', 'negative'),
c('house not great', 'negative'),
c('your song annoying', 'negative')
)
tweets = rbind(pos_tweets,neg_tweets, test_tweets)
创建词条-文档矩阵：
# build dtm
matrix= create_matrix(
tweets[,1],language="english",
removeStopwords=FALSE,removeNumbers=TRUE,
stemWords=FALSE)
现在，我们可以用这个数据集来训练朴素贝叶斯模型。注意，
e1071
要求响应变量是数值型或因子型的。我们用下面的方法将字符串型数据转换成因子型：
# train the model
mat = as.matrix(matrix)
classifier =naiveBayes(mat[1:10,], as.factor(tweets[1:10,2]) )
测试结果准确度：
# test the validity
predicted = predict(classifier,mat[11:15,]); predicted
table(tweets[11:15, 2], predicted)
recall_accuracy(tweets[11:15, 2],predicted)
显然，这个结果跟python得到的结果是相同的
，下一篇文章介绍python的做法。
其它机器学习方法怎样呢？
下面我们使用
RTextTools
包来处理它。
首先，指定相应的数据：
# build the data to specifyresponse variable, training set, testing set.
container =create_container(matrix, as.numeric(as.factor(tweets[,2])),
trainSize=1:10,testSize=11:15,virgin=FALSE)
其次，用多种机器学习算法训练模型：
models = train_models(container,algorithms=c("MAXENT" , "SVM", "RF","BAGGING", "TREE"))
现在，我们可以使用训练过的模型做测试集分类:
results =classify_models(container, models)
准确性如何呢？
# accuracy table
table(as.numeric(as.factor(tweets[11:15,2])), results[,"FORESTS_LABEL"])
table(as.numeric(as.factor(tweets[11:15,2])), results[,"MAXENTROPY_LABEL"])
# recall accuracy
recall_accuracy(as.numeric(as.factor(tweets[11:15,2])), results[,"FORESTS_LABEL"])
recall_accuracy(as.numeric(as.factor(tweets[11:15,2])), results[,"MAXENTROPY_LABEL"])
recall_accuracy(as.numeric(as.factor(tweets[11:15,2])), results[,"TREE_LABEL"])
recall_accuracy(as.numeric(as.factor(tweets[11:15,2])), results[,"BAGGING_LABEL"])
recall_accuracy(as.numeric(as.factor(tweets[11:15,2])), results[,"SVM_LABEL"])
得到模型的结果摘要（特别是结果的有效性）：
# model summary
analytics =create_analytics(container, results)
summary(analytics)
head(analytics@document_summary)
analytics@ensemble_summar
结果的交叉验证：
N=4
set.seed(2014)
cross_validate(container,N,"MAXENT")
cross_validate(container,N,"TREE")
cross_validate(container,N,"SVM")
cross_validate(container,N,"RF")
可以看到，
maxent
的准确性跟朴素贝叶斯是一样的，其它方法的结果准确性更差。这是可以理解的，因为我们给的是一个非常小的数据集。扩大训练集后，利用更复杂的方法我们对推文做的情感分析可以得到一个更好的结果。示例演示如下：
推文情感分析
数据来自
victornep
。victorneo展示的是用python对推文做情感分析。这里，我们用R来处理它：
读取数据：
###################
"load data"
###################
setwd("D:/Twitter-Sentimental-Analysis-master/")
happy =readLines("./happy.txt")
sad =readLines("./sad.txt")
happy_test =readLines("./happy_test.txt")
sad_test =readLines("./sad_test.txt")
tweet = c(happy, sad)
tweet_test= c(happy_test,sad_test)
tweet_all = c(tweet, tweet_test)
sentiment =c(rep("happy", length(happy) ),
rep("sad",length(sad)))
sentiment_test =c(rep("happy", length(happy_test) ),
rep("sad",length(sad_test)))
sentiment_all =as.factor(c(sentiment, sentiment_test))
library(RTextTools)
首先，尝试下朴素贝叶斯
# naive bayes
mat= create_matrix(tweet_all,language="english",
removeStopwords=FALSE,removeNumbers=TRUE,
stemWords=FALSE,tm::weightTfIdf)
mat = as.matrix(mat)
classifier =naiveBayes(mat[1:160,], as.factor(sentiment_all[1:160]))
predicted = predict(classifier,mat[161:180,]); predicted
table(sentiment_test, predicted)
recall_accuracy(sentiment_test,predicted)
然后，尝试其他方法：
# the other methods
mat= create_matrix(tweet_all,language="english",
removeStopwords=FALSE,removeNumbers=TRUE,
stemWords=FALSE,tm::weightTfIdf)
container = create_container(mat,as.numeric(sentiment_all),
trainSize=1:160,testSize=161:180,virgin=FALSE) #
可以设置removeSparseTerms
