利用机器学习可以很方便的做情感分析。本篇文章将介绍在R语言中如何利用机器学习方法来做情感分析。在R语言中，由Timothy P.Jurka开发的情感分析以及更一般的文本挖掘包已经得到了很好的发展。你可以查看下sentiment包以及梦幻般的RTextTools包。实际上，Timothy还写了一个针对低内存下多元Logistic回归（也称最大熵）的R包maxtent。
然而，RTextTools包中不包含朴素贝叶斯方法。e1071包可以很好的执行朴素贝叶斯方法。e1071是TU Wien(维也纳科技大学)统计系的一门课程。这个包的主要开发者是David Meyer。
我们仍然有必要了解文本分析方面的知识。用R语言来处理文本分析已经是公认的事实（详见R语言中的自然语言处理）。tm包算是其中成功的一部分：它是R语言在文本挖掘应用中的一个框架。它在文本清洗（词干提取，删除停用词等）以及将文本转换为词条-文档矩阵(dtm)方面做得很好。这里是对它的一个介绍。文本分析最重要的部分就是得到每个文档的特征向量，其中词语特征最重要的。当然，你也可以将单个词语特征扩展为双词组，三连词，n-连词等。在本篇文章，我们以单个词语特征为例做演示。
注意，在R中用ngram包来处理n-连词。在过去，Rweka包提供了函数来处理它，感兴趣的可以查看这个案例。现在，你可以设置RTextTools包中create_matrix函数的参数ngramLength来实现它。
第一步是读取数据：
创建词条-文档矩阵：
现在，我们可以用这个数据集来训练朴素贝叶斯模型。注意，e1071要求响应变量是数值型或因子型的。我们用下面的方法将字符串型数据转换成因子型：
测试结果准确度：
显然，这个结果跟python得到的结果是相同的（这篇文章是用python得到的结果）。
其它机器学习方法怎样呢？
下面我们使用RTextTools包来处理它。
首先，指定相应的数据：
其次，用多种机器学习算法训练模型：
现在，我们可以使用训练过的模型做测试集分类：
准确性如何呢？
得到模型的结果摘要（特别是结果的有效性）：
结果的交叉验证：
结果可在我的Rpub页面找到。可以看到，maxent的准确性跟朴素贝叶斯是一样的，其它方法的结果准确性更差。这是可以理解的，因为我们给的是一个非常小的数据集。扩大训练集后，利用更复杂的方法我们对推文做的情感分析可以得到一个更好的结果。示例演示如下：
推文情感分析
数据来自victornep。victorneo展示的是用python对推文做情感分析。这里，我们用R来处理它：
读取数据：
首先，尝试下朴素贝叶斯
然后，尝试其他方法：
这里，我们也希望得到正式的测试结果。包括：
1.analytics@algorithm_summary：包括精确度，召回率，准确率，F-scores的摘要
2.analytics@label_summary：类标签摘要
3.analytics@document_summary：所有数据和得分的原摘要
4.analytics@ensemble_summary：所有 精确度/覆盖度 比值的摘要
现在让我们看看结果：
与朴素贝叶斯方法相比，其它算法的结果更好，召回精度高于0.95。结果可在Rpub查看
原文链接：http：//www.xueqing.cc/cms/article/107
刚接触R语言一周，和matab不同R作用于数据挖掘的库很多,详解见 R语言数据挖掘包
，下面简介文本分析经常使用到的三个包
tm 为文本挖掘提供综合性处理 Rwordmsg 进行中文分词 wordcloud 统计词云
以第三届泰迪杯A题提供的数据集国美-Sheet1进行文本分析 : 第三届泰迪杯
转化为txt的数据集如下图所示:
生成词云:
介绍使用tidytext进行文本挖掘。
整洁的数据应该是这样的
对于整洁的文本数据，储存在每行中的数据通常是单个单词，但也可以是n-gram，句子或段落。
使用unnest_tokens函数对数据进行处理
简单介绍一下unnest_tokens函数：
unnest_tokens这里使用的两个基本参数。首先，输出的列名，上面是word，然后是文本来输入列（text在本例中）。
使用之后unnest_tokens，我们将每行拆分
文本分析的流程：
就是写了傲慢与偏见的那个人，说实话这部作品的确值得一看
数据来自于Jane Austen的 janeaustenr 包
linenumber 对应的是多少行， chapter 对应的是第多少章。
要将其作为一个整洁的数据集来处理，还需要将句子转化成文更加基本的格式
此函数使用 tokenizers 包将原始数据框中的每一行文本分隔为标记。默认标记化用于单词，但其他选项包括字符，n-gram，句子，行，段落或正则表达式模式周围的分隔。
也就是修改下面这个参数：
既然数据是每行一个字的格式，我们可以使用像dplyr这样的整洁工具来操作它。通常在文本分析中，我们会想要删除停用词停用词是对分析无用的词，通常是非常常见的词，例如英语中的“the”，“of”，“to”等等。我们可以用一个删除停用词（保存在tidytext数据集中stop_words）anti_join()。
我们也可以使用 dplyr count() 来查找所有书籍中最常见的单词。
可以看见，最常见的单词是 miss
进行可视化：
因为我们一直在使用整洁的工具，所以我们的字数存储在一个整洁的数据框中。这允许我们将它直接传递给ggplot2包，例如创建最常见单词的可视化
