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 librerías

#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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