高分课程设计-基于LSTM实现文本的情感分析-耳机用户情感可视化分析预测python源码+文档说明+分布图+结果展示

# 基于LSTM实现文本的情感分析-耳机用户情感可视化分析预测 #### 介绍 数据是关于用户对耳机不同主题的不同情感的评论，根据数据内容来对品牌的议题进行数据可视化与分析预测。 #### 代码实现内容 **一、对数据集进行读取，打印前20行数据、主题词、情感词、情感值，并绘制主题词、情感词、情感值的分布图**  根据数据集里的内容打印，我们看到主题词、情感词和情感值三列，之后对这三部分展开数据可视化与后续分析，用饼图和柱状图去直观体现    **二、宏观了解后，对数据集进行处理，之后生成词云与不同的分布图** 1.删除过长与过短的评论、重复项、标点符号和英文字母过多的三类评论 2.提取不同情感种类、合成字符串、定义停用词 3.加载词云形状照片，之后生成各类词云图（所有情感词的、积极词、消极词、中立词）     4.对不同主题词中进行不同情感词数量进行柱状图展示 首先对每个主题中评论分成好、中、坏三个方面，去看各个部分的评论数量  5.去除中性词，之后对不同情感词语进行数据浏览 以下的可视化展示针对去除中性词后的数据展示，后面使用LSTM进行预测也是用的没有中性词的评论，所以代码加入了积极与消极的数据可视化展示 5.1 不同主题的不同情感评论数  5.2 情感评论词前十数量展示（包含积极评论词与消极评论词）  5.3 积极情感词前十数量展示  5.4 消极情感词前十数量展示  5.5 热力图展示  由结果可以看到“好”与主题词中的几个主题词相关性较高。如果我们没有去除中性去绘制热力图，某些中性评论词此对应各个主题词的相关性可能会更强，即存在很强的多重共线性。我们去除中性词这个变量，可以避免因多重共线性造成的过拟合。 **三、基于LSTM实现文本的情感分析预测** 我们想实现情感分类的一个预测模型，用于对文本数据进行情感分析预测，代码基于LSTM，实现将给定的文本分类为正面或负面情感。 包含： 数据预处理：直接调用无中性情感评论词的数据，并对情感值进行标签编码（1与-1变成1和0）。 数据集划分：将数据集分割为训练集和测试集，测试集占20%。 文本向量化和序列填充：使用Tokenizer对文本数据进行向量化，并对序列进行填充和截断。 构建LSTM模型：定义一个包含嵌入层、LSTM层和全连接层的神经网络模型。 模型训练：使用训练数据集对模型进行训练，使用二元交叉熵损失函数和Adam优化器。 模型评估：在测试集上评估模型的表现，计算并打印损失、准确率、精确率、召回率和F1分数。 结果展示：  通过结果的截图，我们逐一进行分析： 模型的测试损失较低，预测误差小。 准确率87.324%，模型在大多数情况下能正确分类。 精确率为0.873，说明大部分预测为正类的样本是准确的。 召回率达到1.000，意味着模型对所有实际正类样本都进行了正确预测，没有漏检。 F1得分为0.932，显示模型在精确率和召回率之间达到了很好的平衡，综合表现优异。 总的来看模型在测试集上表现良好，具有很高的预测准确性和可靠性。特别是召回率达到1，说明模型在检测正类样本时没有漏掉任何一个正类样本。 注意：比较精度的评估指标中准确率和精确率不是同一个东西，准确率是指所有预测正确的样本占总样本的比例，精确率是指模型预测为正类的样本中实际为正类的比例，也就是说准确率关注的是总体预测的正确性，包括正类和负类样本。精确率仅关注模型预测为正类的样本是否真正为正类样本。