客户评论与新冠推文的情感分析

# 客户评论与新冠推文的情感分析 ## 客户评论情感分析 ### 实验结果与讨论 在客户评论的情感分析中，使用了高斯朴素贝叶斯、多项朴素贝叶斯和支持向量机（SVM）三种分类器。通过混淆矩阵和分类报告来评估这些分类器的性能。 | 分类器方法 | TP | FP | TN | FN | | --- | --- | --- | --- | --- | | 高斯朴素贝叶斯（Gaussian NB） | 11 | 5 | 34 | 1 | | 多项朴素贝叶斯（Multinomial NB） | 14 | 2 | 30 | 5 | | 支持向量机（SVM） | 15 | 1 | 28 | 7 | 混淆矩阵（表1）展示了每个分类器的真阳性（TP）、假阳性（FP）、真阴性（TN）和假阴性（FN）的数量。例如，高斯朴素贝叶斯分类器正确预测了11个为真的元素，同时有5个假阳性、34个真阴性和1个假阴性。 接下来，通过以下公式计算每个分类器的精确率、召回率和F1分数： - 精确率（Precision） = A / (A + B) - 召回率（Recall） = A / (A + C) - F1分数（F1 - Score） = 2 * ((精确率 * 召回率) / (精确率 + 召回率)) 其中，A为真阳性，B为假阳性，C为假阴性。 | 分类器方法 | 准确率（%） | 精确率（%） | 召回率（%） | F1分数（%） | | --- | --- | --- | --- | --- | | 高斯朴素贝叶斯（Gaussian NB） | 88.23 | 90.07 | 82.19 | 84.23 | | 多项朴素贝叶斯（Multinomial NB） | 86.37 | 92.28 | 81.74 | 83.67 | | 支持向量机（SVM） | 83.04 | 82.14 | 79.57 | 83.79 | 从分类报告（表2）可以看出，高斯朴素贝叶斯在精确率和F1分数上表现较好，其精确率达到了90.07%，F1分数为84.23%。多项朴素贝叶斯的精确率最高，为92.28%，但在整体准确率和F1分数上略逊于高斯朴素贝叶斯。支持向量机的各项指标相对较低。 ### 预测极性百分比 不同分类器的预测极性百分比也有所不同： - 高斯朴素贝叶斯：错误预测率为11.77%，正确预测率为88.77%。 - 多项朴素贝叶斯：错误预测率为13.63%，正确预测率为86.37%。 - 支持向量机：错误预测率为16.96%，正确预测率为83.04%。 ### 整体分类器性能 综合来看，高斯朴素贝叶斯分类器的准确率最高，多项朴素贝叶斯的准确率略高于支持向量机。参数优化对每个分类器都有影响，在该系统模型中，所选参数对多项朴素贝叶斯分类器的效果比对支持向量机更好。 ```mermaid graph LR A[数据收集] --> B[数据预处理] B --> C[选择分类器] C --> D[高斯朴素贝叶斯] C --> E[多项朴素贝叶斯] C --> F[支持向量机] D --> G[计算评估指标] E --> G F --> G G --> H[比较性能] ``` ## 新冠推文情感分析 ### 研究背景