情感分析方法之nltk情感分析器和SVM分类器（二）
一、使用NLTK Vader SentimentAnalyser分析
NLTK附带了一个内置的情感分析器模块——nltk.sentiment.vader，参考1，参考2。它可以分析一段文字或句子下情绪的正面、负面和中性极性分类。其中，compound表示复杂程度，neu表示中性，neg表示负面情绪，pos表示正面情绪。
import nltk
from nltk.sentiment.vader import SentimentIntensityAnalyzer
# nltk.download('vader_lexicon')
view = ["Great place to be when you are in Bangalore",
"The place was being renovated when I visited so the seating was limited",
"Loved the ambience, loved the food",
"The place is not easy to locate"]
sid = SentimentIntensityAnalyzer()
for sen in view:
print(sen)
ss = sid.polarity_scores(sen)
for k in ss:
print('{0}:{1},'.format(k, ss[k]), end='')
print()
对于日常的普通句子，nltk的情感强度分析器已经可以很准确地分类。
“情感分析模型的准确程度，往往取决于数据量。如果一种表达情感的语言方式被普遍应用，那么在极大的数据库中，一些基本的统计规律（即使是最基础的n-gram之类）也会有意想不到的精确度。比如，“呵呵”一词原本是中性，但是作为贬义被用得多了，统计模型也会自动发现它的负面含义。
讽刺和反语的难点在于，它们是更高层次的语意抽象。同时，识别出讽刺还需要现实世界的常识，毕竟讽刺的核心在于“预期”与“现实”的不符合”。
二、使用分类器进行分类分析
目前实现的例子是中文酒店评论的情感分析，参考1。
数据处理部分略~（工作量占绝大多数时间）分类器的部分使用SVM，准确率有0.86。
# -*- coding: utf-8 -*-
# 对数据进行降维:PCA，文本分类:SVM
import sys
import numpy as np
import pandas as pd
from sklearn.decomposition import pca
from sklearn import svm
from sklearn import metrics
# 数据准备
datapath = r'D:\file_download\BaiduNetdiskDownload\PyCharm_File\senti_analysis\data\ChnSentiCorp_htl_ba_2000\2000_data.csv'
df = pd.read_csv(datapath)
x = df.iloc[:, 2:]
y = df.iloc[:, 1]
# PCA降维。计算全部贡献率
n_components = 400
pca_model = pca.PCA(n_components)
pca_model.fit(x)
# pca作图
# 取100维作为分类器输入
x_pca = pca.PCA(n_components=100).fit_transform(x) # 先拟合数据再标准化
# SVM分类
clf = svm.SVC(C=2.0, probability=True)
clf.fit(x_pca, y)
print('Test Accuracy is: %.2f' % clf.score(x_pca, y))附带sklearn.svm.SVC参数说明
sklearn.svm.SVC(C=1.0, kernel='rbf', degree=3, gamma='auto', coef0=0.0, shrinking=True, probability=False,
tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape=None,random_state=None)
参数：
l C：C-SVC的惩罚参数C，默认值是1.0
C越大，相当于惩罚松弛变量，希望松弛变量接近0，即对误分类的惩罚增大，趋向于对训练集全分对的情况，这样对训练集测试时准确率很高，但泛化能力弱。C值小，对误分类的惩罚减小，允许容错，将他们当成噪声点，泛化能力较强。
kernel ：核函数，默认是rbf，可以是‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’
0 – 线性：u'v
1 – 多项式：(gamma*u'*v + coef0)^degree
2 – RBF函数：exp(-gamma|u-v|^2)
3 –sigmoid：tanh(gamma*u'*v + coef0)
degree ：多项式poly函数的维度，默认是3，选择其他核函数时会被忽略。
gamma ： ‘rbf’,‘poly’ 和‘sigmoid’的核函数参数。默认是’auto’，则会选择1/n_features
coef0 ：核函数的常数项。对于‘poly’和 ‘sigmoid’有用。
probability ：是否采用概率估计？.默认为False
shrinking ：是否采用shrinking heuristic方法，默认为true
tol ：停止训练的误差值大小，默认为1e-3
cache_size ：核函数cache缓存大小，默认为200
class_weight ：类别的权重，字典形式传递。设置第几类的参数C为weight*C(C-SVC中的C)
verbose ：允许冗余输出？
max_iter ：最大迭代次数。-1为无限制。
decision_function_shape ：‘ovo’, ‘ovr’ or None, default=None3
random_state ：数据洗牌时的种子值，int值
主要调节的参数有：C、kernel、degree、gamma、coef0