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)
## Warning: package 'readtext' was built under R version 4.3.3
#install.packages("syuzhet")
library(syuzhet)
## Warning: package 'syuzhet' was built under R version 4.3.3
#install.packages("RColorBrewer")
library(RColorBrewer)
## Warning: package 'RColorBrewer' was built under R version 4.3.1
#install.packages("wordcloud")
library(wordcloud)
## Warning: package 'wordcloud' was built under R version 4.3.3
#install.packages("tm")
library(tm)
## Warning: package 'tm' was built under R version 4.3.3
## Loading required package: NLP
## Warning: package 'NLP' was built under R version 4.3.1
# Importar la base de datos
texto <- readtext("C:\\Users\\naila\\OneDrive\\Documentos\\1 TEC\\7MO SEMESTRE\\M2\\himno.txt")
texto_palabras <- get_tokens(texto)
emociones_df <- get_nrc_sentiment(texto_palabras, language = "spanish")
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)
Conclusión
Estas herramientas son de utilidad para identificar los sentimientos
de un texto de forma eficiente. En el caso del Himno Nacional, destaca
el sentimiento de miedo, por ejemplo.
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