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

texto <- readtext("C:\\Users\\naila\\OneDrive\\Documentos\\1 TEC\\7MO SEMESTRE\\M2\\himno.txt")

Tokenización del texto

texto_palabras <- get_tokens(texto)

Análisis de sentimientos

emociones_df <- get_nrc_sentiment(texto_palabras, language = "spanish")

Visualización de distribución de emociones

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

Variable sentimiento y visualización

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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