El análisis de sentimientos es una herramienta dentro del “Machine Learning” para medir respuestas emocionales acerca de un texto.

Las 8 emociones son: Ira Anticipación Asco Miedo Alegría Tristeza Sorpresa Confianza

Las 2 tendencias de las emociones son: Positiva o Negativa

Instalar paquetes y llamar librerias

#install.packages("readtext")
library(readtext)
#install.packages("syuzhet")
library(syuzhet)
#install.packages("RColorBrewer")
library(RColorBrewer)
#install.packages("wordcloud")
library(wordcloud)
#install.packages("tm")
library(tm)
## Loading required package: NLP

Importar la base de datos

#file.choose()
texto <- readtext("/Users/agustingomezperez/Desktop/Inteligencia Artificial/himno.rtf")
texto_palabras <- get_tokens(texto)
emociones_df <- get_nrc_sentiment(texto_palabras, language = "spanish")

#Graficar

barplot(colSums(prop.table(emociones_df[, 1:8])))

sentimientos <- (emociones_df$negative*-1) + emociones_df$positive
simple_plot(sentimientos)

# wordcloud(words=texto_palabras, min.freq = 1)

El análisis de emociones tiene como objetivo clasificar palabras asignándoles a una debida emoción, esto se puede usar para determinar cuáles son los sentimientos del cliente hacia la empresa.

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