Ανάλυση συναισθημάτων στο Excel! Υπάρχει ένα δωρεάν πρόσθετο από τα Microsoft Labs που θα σας επιτρέψει να κάνετε ανάλυση συναισθημάτων στο Excel. Τι γίνεται αν πρέπει να περάσετε από εκατοντάδες σχόλια έρευνας για να δείτε τι πιστεύουν οι άνθρωποι για την εταιρεία σας; Το Excel μπορεί να εκχωρήσει μια πιθανότητα που δείχνει πόσο θετικό ή αρνητικό είναι κάθε σχόλιο.
Δες το βίντεο
- Είναι εύκολο να ποσοτικοποιήσετε τα δεδομένα της έρευνας όταν είναι πολλαπλή επιλογή
- Μπορείτε να χρησιμοποιήσετε έναν συγκεντρωτικό πίνακα για να μάθετε ποιο ποσοστό έχει κάθε απάντηση
- Τι γίνεται όμως με τις απαντήσεις κειμένου ελεύθερης μορφής; Αυτά είναι δύσκολο να επεξεργαστούν εάν έχετε εκατοντάδες ή χιλιάδες από αυτά.
- Η Ανάλυση συναισθημάτων είναι μια μέθοδος που βασίζεται σε μηχανή για την πρόβλεψη εάν μια απάντηση είναι θετική ή αρνητική.
- Η Microsoft προσφέρει ένα εργαλείο που κάνει Ανάλυση συναισθημάτων στο Excel - Azure Machine Learning.
- Η παραδοσιακή ανάλυση συναισθημάτων απαιτεί από έναν άνθρωπο να αναλύσει και να κατηγοριοποιήσει το 5% των δηλώσεων.
- Η παραδοσιακή ανάλυση συναισθημάτων δεν είναι ευέλικτη - θα δημιουργήσετε ξανά το λεξικό για κάθε κλάδο.
- Το Excel χρησιμοποιεί MPQA Subjectivity Lexicon (διαβάστε σχετικά με αυτό στο http: // bit. Ly / 1SRNevt)
- Αυτό το γενικό λεξικό περιλαμβάνει 5.097 αρνητικές και 2.533 θετικές λέξεις
- Κάθε λέξη έχει μια ισχυρή ή ασθενή πολικότητα
- Αυτό λειτουργεί ιδανικά για σύντομες προτάσεις, όπως Tweets ή δημοσιεύσεις στο Facebook
- Μπορεί να ξεγελαστεί από διπλά αρνητικά
- Για εγκατάσταση, μεταβείτε στο Insert, Excel Store, αναζητήστε Azure Machine Learning
- Καθορίστε ένα εύρος εισόδου και δύο κενές στήλες για το εύρος εξόδου.
- Η επικεφαλίδα για το εύρος εισόδου πρέπει να ταιριάζει με το σχήμα: tweet_text
- Συνοδευτικό άρθρο στη διεύθυνση: http://sfmagazine.com/post-entry/may-2016-excel-sentiment-analysis/
Μεταγραφή βίντεο
Μάθετε το Excel από το Podcast, Episode 2062: Ανάλυση συναισθημάτων στο Excel
Ω, hey, ήταν μια νύχτα των Ευχαριστιών και καθόμασταν γύρω από την κολοκύθα και ο Jes, φίλος μας, άρχισε να μιλάει για να κάνει ανάλυση συναισθημάτων στα δεδομένα του Twitter. Και είπα, "Γεια, ξέρετε ότι το Excel έχει έναν τρόπο να κάνει ανάλυση συναισθημάτων." Και συνειδητοποίησα ότι δεν είχα καλό βίντεο σε αυτό ή κανένα βίντεο σε αυτό, οπότε αυτό το βίντεο αφορά την ανάλυση συναισθημάτων στο Excel.
Τώρα το πρώτο ερώτημα είναι, ποια είναι η ανάλυση συναισθημάτων; Και αν κάνετε μια έρευνα για τους πελάτες σας και έχουν μια επιλογή πολλαπλής επιλογής, όπου μπορούν να επιλέξουν από 1 έως 5, αυτό είναι πραγματικά πολύ εύκολο να αναλυθεί. Μπορείτε απλά να δημιουργήσετε έναν μικρό συγκεντρωτικό πίνακα: Εισαγωγή περιστρεφόμενου πίνακα, Υφιστάμενο φύλλο εργασίας εδώ, κάντε κλικ στο OK. Θέλουμε να μάθουμε την ερώτηση εκεί ή την απάντηση στην ερώτηση, και στη συνέχεια πόσες απαντήσεις υπήρχαν για κάθε μία, και αυτό μας δίνει τον απόλυτο αριθμό. Μπορείτε ακόμη να μπείτε εδώ και να το αλλάξετε από το πεδίο Ρυθμίσεις σε Εμφάνιση τιμών ως% του συνόλου της στήλης, όπως αυτό.
Εντάξει, ώστε να μπορείτε να δείτε για κάθε απάντηση ποιο ποσοστό των ατόμων λαμβάνουν απάντηση. Εντάξει, αλλά η ανάλυση συναισθημάτων είναι όταν έχετε μια πολύ μεγάλη απάντηση όπου λέτε, "Ε, εντάξει, καλά, ξέρετε, πείτε μας γιατί μας δώσατε αυτήν την απάντηση;" Και, ξέρετε, χρησιμοποιούν προτάσεις ή παραγράφους. Λοιπόν, αν έχετε εκατοντάδες ή χιλιάδες από αυτά, είναι πολύ δύσκολο για κάποιον να το διαβάσει και να τα διαβάσει και να καταλάβει τι συμβαίνει, εντάξει;
Υπάρχουν λοιπόν δύο διαφορετικά είδη ανάλυσης συναισθημάτων. Συνήθως στο παρελθόν θα χρησιμοποιούσατε έναν αλγόριθμο ανθρώπινης εποπτείας. Έτσι, αν είχατε 5.000 απαντήσεις, περάστε, ξέρετε, 200 από αυτές και επιλέξτε τις θετικές και αρνητικές λέξεις και φράσεις. Δημιουργείτε ουσιαστικά ένα λεξικό των θετικών και αρνητικών λέξεων. αλλά, ξέρετε, αυτό ήταν πολύ περιοριστικό. Εάν το κάνατε για ένα μέρος που έκανε επισκευή αυτοκινήτου και μετά είχατε διαφορετικό πελάτη, ξέρετε, ποιος έκανε τον καθαρισμό ταπήτων, αυτά τα δύο λεξικά είναι εντελώς διαφορετικά. Πρέπει να κάνετε τη μηχανική εκμάθηση ή την ανθρώπινη εποπτευόμενη μάθηση ξανά και ξανά. Έτσι, το Excel χρησιμοποιεί αυτό το πράγμα που ονομάζεται MPQA Subjectivity Lexicon και μπορείτε να πάτε στο Google αυτό. Έχει τις πληροφορίες για αυτό - 5.097 αρνητικές λέξεις, 2533 θετικές λέξεις. Και έτσι,λειτουργεί τέλεια για σύντομες προτάσεις ή Tweets ή δημοσιεύσεις στο Facebook. Αλλά ένα πράγμα που έχω παρατηρήσει είναι ότι εάν κάποιος γράφει με διπλά αρνητικά, δεν μπορώ να πω ότι δεν μισώ αυτό το χαρακτηριστικό, λοιπόν, η μηχανική εκμάθηση θα αποτύχει εκεί. Και ναι, αποτύχω. Δεν μπορώ να πω αν είναι χαρούμενοι ή όχι.
Εντάξει, λοιπόν, αυτό κάνουμε. Στο Excel 2013 ή το Excel 2016, μεταβείτε στην καρτέλα Εισαγωγή, μεταβείτε στο Κατάστημα, όταν εμφανιστεί το πλαίσιο αναζήτησης αναζήτηση για Azure Machine και θα λάβετε το Azure Machine Learning εκεί. Κάνουμε κλικ στο Προσθήκη. Εντάξει, και δύο διαφορετικά εργαλεία εδώ: το Titanic Survivor Predictor, το οποίο είναι διασκεδαστικό. και, το Text Sentiment analysis Πρόσθετο του Excel. Ας χρησιμοποιήσουμε αυτό. Εντάξει, εδώ είναι μερικά πράγματα που θα σας ταξιδέψουν. Ο τίτλος σας: Πάρτε μια παράγραφο για να εξηγήσετε την απάντησή σας. Πρέπει να ταιριάζει με το σχήμα και το σχήμα λέει ότι ο τίτλος πρέπει να λέει tweet_text. Λοιπόν, εδώ: tweet_text, φυσικά, θέματα ευαίσθητα στην υπόθεση, εντάξει. Και μετά κλείστε το σχήμα και, στη συνέχεια, προβλέψτε, Είσοδος: A1 έως 100, Τα δεδομένα μου έχουν κεφαλίδες, Έξοδος: DataB1, Συμπεριλάβετε τις κεφαλίδες. Θα μας δώσουν 2 στήλες.Βεβαιωθείτε ότι έχετε 2 κενές στήλες εκεί. Διαφορετικά, πρόκειται να παρακάμψει τα δεδομένα. Έχετε 2 επιλογές: Μερικές σειρές κάθε φορά ή ως παρτίδα. Αυτό είναι μόνο εκατό, οπότε δεν έχει σημασία. Θα επιλέξω Πρόβλεψη και BAM! Ακριβώς τόσο γρήγορα.
Εντάξει τώρα, έχουμε 2 στήλες: έχουμε ένα Συναίσθημα και ένα Σκορ, εντάξει. Ας παρουσιάσουμε λοιπόν τις βαθμολογίες εδώ ως ποσοστά με δεκαδικά ψηφία. Εντάξει, έτσι 47.496, αυτό κυμαίνεται από 0 έως 100%. Κοντά στο 100 είναι εξαιρετικά θετικό, κοντά στο 0 είναι εξαιρετικά αρνητικό, εντάξει; Εδώ λοιπόν, έχουμε ένα πρόβλημα όπου υπάρχει ένα μικρό πρόβλημα, με τρελαίνει. Δεν μπορώ να βρω τη λύση, οπότε μπορείτε να δείτε γιατί βαθμολογείται ως εξαιρετικά αρνητικό. Ας δούμε ένα που είναι εξαιρετικά θετικό. Εντάξει, έτσι ξέρετε, οπότε έχουμε μερικές χαρούμενες λέξεις εδώ: παρακαλώ και ευχαριστώ, θαυμαστικά και ούτω καθεξής. Αυτό μπορεί να συμβάλει στην υψηλή βαθμολογία. Εντάξει, έτσι είναι τέλειο; Όχι, αλλά θα σας δώσει έναν γρήγορο, γρήγορο τρόπο να σας πω, ξέρετε, πόσοι άνθρωποι είναι εξαιρετικά χαρούμενοι ή εξαιρετικά αρνητικοί για αυτές τις απαντήσεις.
Και φυσικά, και πάλι, εδώ μπορούμε να το κάνουμε με έναν συγκεντρωτικό πίνακα: Εισαγωγή, Συγκεντρωτικός πίνακας, μεταβείτε σε ένα υπάρχον φύλλο εργασίας εδώ, κάντε κλικ στο OK και ενδιαφερόμαστε για το Συναίσθημα και, στη συνέχεια, ίσως με τη μέση βαθμολογία είναι για καθένα από αυτά. Έτσι θα το αλλάξουμε κάτω από τις Ρυθμίσεις πεδίου σε μέσο, κάντε κλικ στο OK. Και έτσι, ή ίσως ακόμη και μια μέτρηση. Υποθέτω ότι θα θέλαμε να μάθουμε τον αριθμό, πόσα άτομα. Θα πάρουμε λοιπόν κάποιο άλλο πεδίο, και έτσι, γνωρίζουμε πόσα άτομα ήταν αρνητικά. Ω, πόσα άτομα ήταν ουδέτερα, πόσα άτομα ήταν θετικά και ποια ήταν η μέση βαθμολογία καθενός από αυτούς.
Εντάξει, οπότε αν έχετε δεδομένα έρευνας και είναι μια πολλαπλή επιλογή, μπορείτε να χρησιμοποιήσετε έναν περιστρεφόμενο πίνακα για να μάθετε ποιο ποσοστό έχει κάθε απάντηση. Αλλά για απαντήσεις κειμένου ελεύθερης μορφής, είναι δύσκολο να επεξεργαστούμε. Εάν έχετε εκατοντάδες ή χιλιάδες από αυτά, η ανάλυση συναισθημάτων είναι μια μέθοδος που βασίζεται σε μηχανή για να προβλέψετε εάν μια απάντηση είναι θετική ή αρνητική. Η Microsoft προσφέρει ένα δωρεάν εργαλείο για αυτό. Λειτουργεί στο Excel 2013 ή στο Excel 2016, που ονομάζεται Azure Machine Learning. Συνήθως πρέπει να διαβάσετε και να κατηγοριοποιήσετε το 5% των δηλώσεων χειροκίνητα. Δεν είναι ευέλικτο, πρέπει να κατηγοριοποιήσετε εκ νέου για κάθε νέο σύνολο δεδομένων, αλλά το Excel χρησιμοποιεί αυτό το MPQA Subjectivity Lexicon. Είναι ένα γενικό λεξικό. Θα λειτουργήσει για σύντομες προτάσεις, Tweets, δημοσιεύσεις στο Facebook. Μπορώ να ξεγελιωθώ από διπλά αρνητικά. Απλώς πηγαίνετε στο Excel Store,αναζήτηση για Azure Machine Learning. Καθορίστε μια είσοδο και δύο στήλες για ένα εύρος εξόδου. Μην ξεχάσετε να αλλάξετε τον τίτλο για να ταιριάζει με το Σχέδιο, tweet_text, σε αυτή τη συγκεκριμένη περίπτωση.
Εντάξει, οπότε πήγαινε. Την επόμενη φορά που θα έχετε μεγάλο αριθμό δεδομένων για ανάλυση, ρίξτε μια ματιά χρησιμοποιώντας το Azure Machine Learning, το δωρεάν πρόσθετο για το Excel 2013. Σας ευχαριστούμε που σταματήσατε, θα σας δούμε την επόμενη φορά για άλλο netcast από.
Λήψη αρχείου
Κατεβάστε το δείγμα αρχείου εδώ: Podcast2062.xlsm
