《机器学习项目开发实战》-课件 19. 项目六 - 任务三

深度神经网络项目实战-人脸识别情感分析实现CONTENTSOrderNow01任务描述02知识储备03任务实施04任务评价/01任务描述任务描述任务：人脸识别本次任务要求掌握使用NLTK工具进行文本情感分析的完整流程，包括从数据预处理到结果生成的各项操作，并能准确解读分析结果。需要能够熟练运用所学分析方法，独立完成对影评数据集（moviereviews.tsv）中review列的情感分析任务。这涵盖了数据加载、数据处理、数据分析的全过程。/02知识储备NLTKNLTK专门用于处理人类语言数据，广泛应用于自然语言处理（NLP）的教学和研究中。优势添加标题提供了超过50种不同语料库和词汇资源丰富的语料库和资源01包括分词、词干提取、词形还原、去除停用词、句子分割等基础文本预处理功能。全面的文本处理能力02支持分类、标记化、解析、语义推理等多种自然语言处理任务所需的算法。多种算法支持03提供了一系列简单易用的API接口。易于使用的接口04拥有活跃的用户社区和大量的教程、书籍资源社区支持与教育资源丰富05FOCOSlide01性能问题对于大规模数据处理时，NLTK的性能不如其他专门设计用于高效处理大数据集的工具或框架。02速度较慢执行效率方面不是最优的，特别是在需要实时处理的应用场景中。03依赖外部库高级功能要求安装额外的数据包或模型，增加了使用的复杂性和部署难度。04不适合深度学习对深度学习支持有限。局限性VADER真糟糕我喜欢推荐关键词愤怒避雷不喜欢关键词真棒！满意关键词烂透了关键词超赞！加油太好了！王牌侦探VADER基于一套精心设计的规则和启发式方法，特别擅长分析社交媒体上的短文本。分析结果负面分数衡量文本带有负面情绪的概率，范围从0到1；01中立分数评估文本不带感情色彩的可能性；02正面分数表示积极情绪的强度。03复合分数三个维度综合成一个数值，范围从-1到1。04/03任务实施分析流程情感分析fromnltk.sentimentimportSentimentIntensityAnalyzer1sia=SentimentIntensityAnalyzer()#初始化情感分析器2#示例文本13content1='Thisfilmisreallybad’4print("content1SentimentScore:\n",sia.polarity_scores(content1))5#示例文本26content2="It'samovie,that'saboutit"7print("content2SentimentScore:\n",sia.polarity_scores(content2))8#示例文本39content3='Thisfilmisamazing’10print("content3SentimentScore:\n",sia.polarity_scores(content3))导入库情感分析影评数据集分析1defvader_sentiment_analysis(text):2sentiment=sia.polarity_scores(text)3returnsentiment['compound']4datas_final['sentiment_score']=datas_final['cleaned_review'].apply(vader_sentiment_analysis)5datas_final['vader_sentiment']=datas_final['sentiment_score'].apply(lambdax:1ifx>=0.05else0)6print(datas_final.head())/04任务评价