MISIÓN 1 · Lección 5

Aplicación de Análisis de Sentimientos

En esta lección construiremos una aplicación práctica de análisis de sentimientos usando un dataset de reseñas. El objetivo es implementar un flujo completo: preprocesamiento, modelado, predicción y despliegue.

Objetivos de la aplicación

• Usar un dataset público de reseñas u opiniones (ej. IMDb, Amazon, Twitter).
• Entrenar un modelo para clasificar textos en positivos o negativos.
• Exponer el modelo mediante una API o una interfaz gráfica simple.
• Permitir predicciones en tiempo real.

Preprocesamiento de datos

import pandas as pd
from sklearn.model_selection import train_test_split

# Dataset de ejemplo
reviews = pd.DataFrame({
    "texto": ["me encanta este producto", "es horrible", "muy bueno", "terrible experiencia"],
    "sentimiento": [1, 0, 1, 0]
})

X_train, X_test, y_train, y_test = train_test_split(
    reviews["texto"], reviews["sentimiento"], test_size=0.2, random_state=42
)

Entrenamiento del modelo

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

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

pipe.fit(X_train, y_train)
print("Accuracy en test:", pipe.score(X_test, y_test))

Función de predicción

def predict_sentiment(text: str) -> dict:
    proba = pipe.predict_proba([text])[0, 1]
    return {
        "label": "positivo" if proba > 0.5 else "negativo",
        "score": float(proba)
    }

print(predict_sentiment("no me gustó"))
# {'label': 'negativo', 'score': 0.32}

Exponer el modelo con FastAPI

from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class Item(BaseModel):
    text: str

@app.post("/predict")
async def predict(item: Item):
    return predict_sentiment(item.text)

Ejecutar con: uvicorn app:app --reload

Visualización de resultados

Podemos añadir gráficos con matplotlib o seaborn para mostrar la distribución de polaridad en un conjunto de textos.

import matplotlib.pyplot as plt

preds = [predict_sentiment(t)["label"] for t in X_test]
plt.bar(["positivo", "negativo"], [preds.count("positivo"), preds.count("negativo")])
plt.show()

Mejoras posibles

• Usar embeddings (Word2Vec, fastText) en lugar de TF-IDF.
• Implementar modelos más avanzados (BERT, BETO).
• Permitir multiclase (positivo, negativo, neutro).
• Optimizar hiperparámetros para mayor precisión.

Aplicaciones reales

• Monitoreo de reputación en redes sociales.
• Análisis de encuestas de satisfacción al cliente.
• Recomendación de productos basada en opiniones.

Reflexión final

Una aplicación de análisis de sentimientos permite transformar datos de texto en información accionable. Esto genera valor en sectores como marketing, atención al cliente y desarrollo de productos.