MISIÓN 1 · Lección 2

Técnicas de Análisis de Sentimientos

El análisis de sentimientos busca determinar la polaridad de un texto (positivo, negativo o neutro). Se aplica en redes sociales, reseñas de productos, encuestas y más.

Enfoques principales

• Léxicos: usan diccionarios de palabras positivas/negativas. Son rápidos pero limitados en contexto.
• Aprendizaje automático clásico: Naive Bayes, SVM, Regresión Logística con características como Bag of Words o TF-IDF.
• Modelos de Deep Learning y Transformers: redes neuronales y modelos preentrenados (BERT, BETO) que capturan mejor el contexto.

Ejemplo con TextBlob (en inglés)

from textblob import TextBlob

texto = "I really love this course, it's amazing!"
resultado = TextBlob(texto).sentiment
print(resultado)
# Sentiment(polarity=0.85, subjectivity=0.75)

Nota: TextBlob funciona mejor con inglés. Para español se recomiendan librerías como spacy o modelos específicos como BETO.

Clasificador con Scikit-learn

from sklearn.pipeline import Pipeline
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression

X = ["me encanta", "lo odio", "genial", "terrible"]
y = [1, 0, 1, 0]  # 1 = positivo, 0 = negativo

pipe = Pipeline([
  ("tfidf", TfidfVectorizer()),
  ("clf", LogisticRegression(max_iter=1000))
])

pipe.fit(X, y)
print(pipe.predict(["esto está bien"]))
# [1] → positivo

Métricas de evaluación

• Exactitud (Accuracy): proporción de aciertos.
• Precisión: qué tan correctas son las predicciones positivas.
• Recall: capacidad de detectar todos los casos positivos.
• F1: balance entre precisión y recall.

from sklearn.metrics import classification_report

print(classification_report(y, pipe.predict(X)))

Ejemplo con Transformers (Hugging Face)

from transformers import pipeline

clasificador = pipeline("sentiment-analysis", model="nlptown/bert-base-multilingual-uncased-sentiment")
resultado = clasificador("Este curso es excelente!")
print(resultado)
# [{'label': '5 stars', 'score': 0.81}]

Estos modelos multilingües permiten análisis más precisos en varios idiomas, incluido el español.

Retos del análisis de sentimientos

• Ironía y sarcasmo.
• Contexto cultural y regional.
• Polaridad neutra o ambigua.
• Textos muy cortos (ej. emojis).

Buenas prácticas

• Equilibrar las clases en el dataset.
• Usar embeddings (Word2Vec, GloVe, fastText) para mejorar representación.
• Probar varios modelos y comparar métricas.

Aplicaciones reales

• Monitoreo de redes sociales para marcas.
• Análisis de reseñas de productos en e-commerce.
• Detección de satisfacción del cliente en call centers.

Reflexión final

El análisis de sentimientos es un pilar del NLP aplicado. Comprender diferentes enfoques y herramientas permitirá elegir la mejor estrategia para cada proyecto.