📊 Proyecto de Análisis de Sentimientos de Tweets con un modelo de Clasificación.

🎯 Problema de Negocio

El objetivo de este proyecto es analizar los sentimientos de los tweets, identificando si los mensajes son positivos o negativos. Utilizando un conjunto de datos de 1,600,000 tweets preprocesados, se pretende generar diversas características que se utilizarán para entrenar un modelo de clasificación.

❓ Preguntas Clave

• 📈 ¿Qué tan efectivos son los análisis de sentimientos aplicados sobre datos textuales como los tweets?
• 🔄 ¿Qué transformaciones y características textuales son relevantes para mejorar la predicción de sentimientos?
• 😏 ¿Cómo podemos detectar sarcasmo en tweets utilizando técnicas de análisis de sentimientos?
• 🧮 ¿Qué métricas se pueden utilizar para evaluar el desempeño del modelo?

🚀 Configuración del Ambiente

Asegúrate de tener instaladas las siguientes bibliotecas necesarias para la ejecución del código:

pip install nltk
pip install emoji
pip install vaderSentiment
pip install textblob

Otras librerías requeridas:

• pandas
• re (Regular Expressions)
• string
• matplotlib
• seaborn
• sklearn

pip install numpy pandas seaborn matplotlib scikit-learn

🗄️ Obtención y Tratamiento de Datos

Cargando la Base de Datos

El conjunto de datos proviene de un archivo CSV llamado training_1600000_processed_noemoticon.csv, que contiene 1,600,000 tweets junto con su anotación de sentimiento (0 = negativo, 4 = positivo).

df = pd.read_csv("training_1600000_processed_noemoticon.csv", encoding='latin-1')
df.columns = ['target', 'ids', 'date', 'flag', 'user', 'text']

Tratamiento de Datos

Durante el preprocesamiento se realizan las siguientes operaciones clave:

• 🧹 Eliminación de URLs, menciones y emojis: Se remueven del texto ya que pueden agregar ruido al análisis.
• ❌ Eliminación de signos de puntuación y caracteres especiales: Para normalizar el texto antes de aplicar las transformaciones.
• 🔡 Transformación a minúsculas: Para evitar que las palabras en mayúsculas se traten como diferentes palabras.
• 🛠️ Generación de características adicionales: Se generan nuevas variables basadas en el texto, como longitud del tweet, conteo de stopwords, densidad de palabras en mayúsculas, entre otras.

📐 Generación de Características

Se generaron varias características a partir del texto de los tweets. Estas incluyen:

1. Longitud del tweet (tweet_length).
2. Conteo de emojis (emoji_count).
3. Conteo de signos de exclamación/interrogación (exclamation_count, question_count).
4. Densidad de palabras en mayúsculas (capital_word_density).
5. Conteo de palabras (word_count).
6. Conteo de stopwords (stopword_count).
7. Conteo de palabras únicas (unique_word_count).
8. Proporción de palabras repetidas (repeated_word_proportion).
9. Subjetividad del sentimiento usando TextBlob (textblob_subjectivity).
10. Conteo de signos de puntuación (punctuation_count).
11. Conteo de menciones y hashtags (mention_count, hashtag_count).
12. Entropía del texto (text_entropy).
13. Detección de sarcasmo usando VADER y análisis del texto (sarcasm).

🔀 División de los Datos

El dataset fue dividido en conjuntos de entrenamiento, validación y prueba usando una proporción de 70% para entrenamiento, 15% para validación y 15% para prueba.

X_train, X_temp, y_train, y_temp = train_test_split(X, y, test_size=0.3, random_state=42, stratify=y)
X_test, X_val, y_test, y_val = train_test_split(X_temp, y_temp, test_size=0.5, random_state=42, stratify=y_temp)

📊 Visualización

Se generó una visualización que muestra la distribución de las clases (sentimientos) en el conjunto de datos de entrenamiento.

# Crear una figura de tamaño adecuado
plt.figure(figsize=(10, 6))

# Gráfico de barras para ver la distribución del target
ax = sns.countplot(data=df, x='target', palette="pastel", order=sorted(df['target'].unique()))

# Mostrar el gráfico
plt.show()

🧠 Modelado

Se dividió el conjunto de datos en conjuntos de entrenamiento, prueba y validación, y luego se entrenaron modelos de machine learning (Xgboost y lightgbm) utilizando las características generadas a partir de los textos procesados.

📈 Evaluación del Modelo

Finalmente, se evaluó el modelo utilizando métricas de clasificación como Auc, accuracy, precision, recall, F1-score. Además, se realizaron ajustes adicionales de hiperparámetros mediante técnicas como GridSearchCV y validación cruzada.

🏁 Conclusiones

Este proyecto utiliza técnicas avanzadas de preprocesamiento de texto para crear un modelo capaz de predecir el sentimiento de tweets y detectar sarcasmo en ellos. El modelo resultante puede ser mejorado con técnicas adicionales de NLP y ajustando los hiperparámetros según los resultados obtenidos.