Este trabalho é parte de uma atividade acadêmica desenvolvida para o curso de Tecnologia em Inteligência Artificial Aplicada da PUCPR, na disciplina de Processamento de Linguagem Natural (PLN). O objetivo desta atividade é aplicar técnicas de PLN para análise de sentimentos, utilizando um dataset de mensagens em português. A partir deste conjunto de dados, serão realizadas etapas de pré-processamento, vetorização e classificação dos textos em categorias de polaridade (positivo, neutro e negativo).
Além disso, o trabalho visa explorar diferentes classificadores e abordagens de pré-processamento para melhorar a precisão dos resultados obtidos.
Este projeto é uma atividade de análise de sentimentos, onde utilizamos técnicas de Processamento de Linguagem Natural (PLN) para classificar textos de acordo com o sentimento (positivo, neutro ou negativo). O objetivo é treinar um modelo capaz de identificar o sentimento predominante em notícias.
- corpus_reduzido.txt: Arquivo de dados com a classificação reduzida dos sentimentos (positivo, neutro, negativo).
- Notebook Jupyter (.ipynb): Contém o código para leitura dos dados, pré-processamento, classificação e avaliação do modelo.
- Python 3.x
- Bibliotecas:
- scikit-learn
- nltk
- matplotlib (para visualizações)
- Carregar o dataset do Google Drive no ambiente escolhido (VsCode, Google Colab).
- Executar o pré-processamento, incluindo a redução de granularidade dos sentimentos.
- Treinar o modelo com o classificador Naive Bayes.
- Avaliar a performance do modelo utilizando métricas como precisão e recall.
O modelo obteve uma precisão geral de aproximadamente 79%, com melhores desempenhos nas classes "positivo" e "neutro". Houve menor precisão para a classe "negativo", sugerindo que a detecção de sentimentos negativos pode ser aprimorada.
Este projeto pode ser expandido com a inclusão de mais dados, ajustes de parâmetros ou aplicação de outros algoritmos de classificação.