Opiniones y clasificación de textos

Bayesiano ingenuo aplicado al TALN

Cuando mencionamos la clasificación de texto, el algoritmo imprescindible que nos permite realizar esta tarea es el bayesiano ingenuo, que se basa en la frecuencia de aparición de las palabras. Para los distintos ejemplos que siguen le invitamos a dejar su ordenador a un lado durante algunos instantes y a equiparse con una hoja de papel, un lápiz y una calculadora.

1. El teorema

Como ya hemos mencionado e ilustrado en el capítulo Principales algoritmos de Machine Learning, el algoritmo bayesiano ingenuo se basa en el teorema de Bayes. Este teorema se fundamenta en las probabilidades condicionales, es decir, la determinación de la probabilidad de que se produzca un acontecimiento en función de otro que ya se ha producido. Los acontecimientos deben ser independientes entre sí.

El teorema de Bayes se explica con la siguiente fórmula:

Bayesiano ingenuo para el análisis de opinión

Como vamos a comprobar ahora, el teorema bayesiano ingenuo nos va a permitir hacer el análisis de la opción de los internautas en función de sus publicaciones en las redes sociales.

Al analizar los distintos mensajes que han dejado los usuarios en las redes sociales o en sitios de Internet sobre un producto o un tema en particular (deportes, política u otros), podemos determinar si están bastante contentos, descontentos, felices, tristes, de acuerdo o en desacuerdo, y actuar en consecuencia.

¿Cómo? Analizando las palabras de los distintos mensajes y clasificando estos mensajes en distintas categorías: de acuerdo, en desacuerdo, contento o descontento. Esta clasificación permite, por ejemplo, avisar directamente a los responsables de comunicación de un producto en caso de descontento ; al hacerlo así, se puede responder al usuario con mucha rapidez y evitar una mala imagen de la marca.

Tomemos como caso de estudio una serie de conversaciones sobre los gatos extraída de las redes sociales. A partir de la aparición de las palabras en una frase se puede identificar la opinión de la persona que ha publicado el mensaje: si le gustan o no los gatos.

Ahora imaginamos un comentario nuevo: «I love awful cats». ¿A la persona que ha publicado este comentario le gustan o no le gustan los gatos? Es la pregunta difícil a la que tendrá que responder nuestro algoritmo de clasificación de textos.

Caso práctico: creencias sobre el calentamiento climático

Ahora vamos a proceder a la determinación de opiniones a partir de un conjunto de observaciones procedente de la red social Twitter. No nos vamos a detener en las distintas fases de cálculo, sino que utilizaremos el lenguaje Python para realizar la misión de clasificación.

Fases de aprendizaje y de predicción

Los datos están preparados y ahora podemos pasar a las fases de aprendizaje y de predicción.

from sklearn.model_selection import train_test_split  
  
X_train, X_test, y_train, y_test =  
train_test_split(mensajesTwitter['TWEET'].values,   
mensajesTwitter['CREENCIA'].values,test_size=0.2) 

El algoritmo SVM (máquina de vectores de soporte) para la clasificación de texto

Ahora vamos a utilizar el algoritmo SVM para intentar clasificar nuestro texto. Este algoritmo empieza a ser familiar porque en los capítulos anteriores hemos podido conocer su funcionamiento y optimización.

Al igual que el algoritmo bayesiano ingenuo, vamos a utilizar una canalización para llevar a cabo las distintas tareas de análisis de los mensajes antes de su aprendizaje:

from sklearn.pipeline import Pipeline  
from sklearn.feature_extraction.text import CountVectorizer  
from sklearn.feature_extraction.text import TfidfTransformer  
from sklearn.svm import SVC  
etapas_aprendizaje = Pipeline([('frequence',   
CountVectorizer()),  
                                 ('tfidf', TfidfTransformer()),  
                                 ('algoritmo',  
SVC(kernel='linear', C=2))]) 

Ahora hacemos el aprendizaje:

modelo = etapas_aprendizaje.fit(X_train,y_train)  
from sklearn.metrics import classification_report  
print(classification_report(y_test, modelo.predict(X_test),  
digits=4)) 

¿El algoritmo SVM es más eficaz que el bayesiano ingenuo?

Podemos constatar que el algoritmo SVM es mucho más eficaz que el bayesiano ingenuo. Los expertos de Machine Learning han constatado el mismo resultado. La causa es que el algoritmo bayesiano ingenuo considera cada característica como independiente, mientras que SVM busca encontrar elementos de correlación entre ellos. Sin embargo, el bayesiano ingenuo ofrece buenos resultados con un coste de rendimiento menor que el algoritmo SVM. Por lo tanto, hay que darle prioridad al bayesiano ingenuo. Además, ese es motivo por el que se utiliza para los filtros contra el correo no deseado o filtros antispam, por su simplicidad de puesta en marcha y su buen rendimiento.

En este capítulo un poco difícil, tal y como hemos visto en algunos párrafos, hemos descubierto cómo puede intervenir Machine Learning en la clasificación de texto y las múltiples aplicaciones que eso puede generar, hasta la determinación de la opinión expresada por los usuarios de las redes sociales. Es posible que esto le desconcierte y somos conscientes de ello, sobre todo teniendo en cuenta el momento actual. Por eso aprovechamos este capítulo para sensibilizarle sobre la información depositada en las redes sociales y el uso que se puede hacer de ella. En el capítulo siguiente conoceremos los algoritmos de aprendizaje no supervisado, ¿su...