亚马逊美食评论 Amazon Fine Food Reviews数据集包含568,454条亚马逊用户截至2012年10月的食品评论。 该分析的目的是建立一个预测模型，在此模型中，我们将能够预测推荐是肯定的还是否定的。 在此分析中，我们将不关注分数，而仅关注建议的积极/消极情绪。 涉及程序 该项目是关于文本数据使用的情感分析 nltk库，其中包括PorterStemmer（）和word_tokenize（），可将非结构化文本数据更改为结构化文本 使用countvectorizer（将文本文档的集合转换为令牌计数矩阵），TfidfTransformer（以缩小在给定语料库中频繁出现的令牌的影响，因此，从经验上讲，其信息量少于一小部分的功能）来自sklearn库的训练语料库以进行特征提取 朴素的贝叶斯（MultinomialNB，BernoulliNB） 逻辑回归 使用roc曲线，confc

根据PSD（功率谱密度）和DWT（离散小波变换）两种特征，根据唤醒和效价（高/低）对脑电评分进行情绪识别分类。 运行process.m文件可以获取功率谱密度文本文件。 生成的每个测试文件都包含α、β、δ和θ波功率谱密度比（通过总psd标准化），分别为效价、唤醒和组合输出。运行dwt_feature_extraction.m生成DWT分析波的测试文件。它由3个特征组成：小波能量、小波熵和标准差，以及arousla和valce的评级。文件夹“psd analysis knn and svm”和“dwt analysis”已经包含处理过的文本文件和python代码，用于从这些测试文件中获取训练数据并进行分类。使用KNN和SVM运行ipynb文件进行分类。

IMDB_Sentiment_Analysis 鉴于大量的在线评论数据（Amazon，IMDB等），情绪分析变得越来越重要。 在这个项目中，建立了一个情感分类器，用于评估一段文字的极性是正还是负。 情感分析是在Keras随附的IMDB数据集上完成的。 它由25,000个训练样本（其中20％是验证样本）和25,000个测试样本组成。 数据集中的所有单词均已预先标记。 使用自训练的单词嵌入（Keras嵌入层）。 我训练了不同的模型，其中一个模型包含一个LSTM层。 它在10个时元上的准确度为84％。 第二个示例由两组Conv1D和MaxPooling1D图层组成，后面是标准GRU图层。 观察到85％的准确性。 我已经将CuDNN层用于LSTM和GRU，因为它们在GPU上的速度比标准LSTM和GRU层快得多。 所有实现都是使用Keras进行的。 另一个具有RMS Prop精度的示例为84％，而

Yelp评论情绪分析 利用ScalaSpark对yelp评论执行情感分析的简化程序。评论情绪将根据正面/负面的简单极性进行评分。 项目主要数据： ambari-node5.csc.calpoly.edu:/home/jchoi108/yelp_review_trimmed_v3.txt 演示幻灯片： 集思广益/概述/想法： 报告：

加密货币每日价格预测 使用机器学习和情感分析来预测加密货币的收益和损失。 请查看Overview.pdf文件以获取更多信息。

-Yelp评论的情绪分析

一、cnsenti 中文情感分析库(Chinese Sentiment))可对文本进行情绪分析、正负情感分析。 https://github.com/thunderhit/cnsenti https://pypi.org/project/cnsenti/ 特性 情感分析默认使用的知网Hownet 情感分析可支持导入自定义txt情感词典(pos和neg) 情绪分析使用大连理工大学情感本体库，可以计算文本中的七大情绪词分布 注意 代码中情绪分析使用的大连理工大学情感本体库，如发表论文，请注意用户许可协议 1、该情感词汇本体由大连理工大学信息检索研究室独立整理标注完成，可供国内外大学、科研院所及个人用于学术研究目的。 2、如任何单位和个人需将其用于商业目的，请发送邮件至 进行协商。 3、使用过程中如发现该资源中有任何错误或不妥之处，欢迎用户将您的宝贵意见发送至邮箱 ，我们 将以最快的速度

多频道 用于越南人情绪分析的多通道LSTM-CNN模型 这是针对“用于越南人情绪分析的多通道LSTM-CNN模型” [ ]的实现。 我们提供了情绪分析数据集：VS。 数据集包括两个版本：标记化和不标记化。 要运行此代码： 请在preprocessing.py和load_data.py中指定数据路径。 运行“ python preprocessing.py”，然后运行“ python cnn_lstm.py” 要求： 凯拉斯 张量流 贡献 请在知识库中创建问题。 我们鼓励人们为该存储库做出贡献并在实际应用中应用。 执照 此存储库中的代码根据的条款。 如果您使用我们的数据或实施方式，请引用我们的以下论文，并通过电子邮件分享您的想法： @INPROCEEDINGS{Quan, author={Q. H. Vo and H. T. Nguyen and B. Le and M.

股票评估工具 此回购包含一组工具，投资者可以使用这些工具来更好地了解他/她感兴趣的股票。它不建议买卖股票，而是有助于形成对股票的有根据的猜测。潜在的未来股价走势，并因此对要分析的股票做出买/卖/持有决定。 这里包括的工具不是唯一可以使用的工具。 之所以将它们包括在内，是因为我相信没有任何一种工具或模型可以充分理解导致股价波动的所有因素。 此仓库中包含的工具集可分为： 工具-EMA信号，布林带。 -通过YahoofFinancials和YFinance API使用财务数据。 -ARIMA随机森林。 -随机森林。 模型-LSTM。 模型-蒙特卡洛模拟。 -NLP情感分析。 模型-基于Markowitz的Efficient Frontier和CVaR。 我相信，通过将上述分析工具一起使用，就可以对未来的股价做出正确的预测。 如何使用储存库 没有预定义的方式来使用存储库中包

股票市场预测Web应用程序使用机器学习 基于机器学习和推特情感分析（代码中包含的API密钥）的股市预测Web应用程序。 Web App的前端基于Flask和Wordpress 。 该应用程序根据用户的输入预测纳斯达克或NSE下任何给定股票的未来7天的股价。 使用三种算法进行预测： ARIMA，LSTM，线性回归。 该网络应用程序将未来7天的预测价格与推文的情绪分析相结合，以给出建议价格是上涨还是下跌 注意 由于超出了Github LFS的配额，Wordpress文件已从存储库中移出。 现在从下载 屏幕截图 在屏幕截图文件夹中查找更多屏幕截图，或 文件和目录结构 screenshots -