Teoría:

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")
#install.packages("shinythemes")
library(readtext)
#install.packages("syuzhet")
library(syuzhet)
#install.packages("RColorBrewer")
library(RColorBrewer)
#install.packages("wordcloud")
library(wordcloud)
#install.packages("tm")
library(tm)

Importar la base de datos y generar análisis de sentimientos.

texto <- readtext("C:\\Users\\danyb\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Docs\\Documentos\\Business Intelligence\\Septimo Semestre\\M2\\R\\Data\\himno.txt")
texto_palabras <- get_tokens(texto) #El texto lo separa en palabras
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:

La herramienta de análisis de sentimientos es útil para identificar y cuantificar las emociones y tendencias en un texto, permitiendo obtener insights valiosos sobre la percepción y respuesta emocional del contenido.

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